02 Leveraging paramedic data to investigate the effect of COVID-19 on community opioid overdoses
Notice bibliographique
Résumé
Background Opioid overdoses in Canada have shown dramatic increases over recent years, despite significant investments in harm reduction. Most community monitoring currently relies on emergency department and coroner data. Our team has previously shown that paramedic data can be a useful addition to the current metrics as paramedics regularly interact with opioid overdose patients. This study examines paramedic data to investigate the changes to community opioid overdoses in the era of COVID-19 to better support our strategic partners in their battle against the opioid crisis. Methods The electronic ambulance call report database of Peterborough Paramedics (Ontario, Canada) was examined. De-identified records for patients from 2017-2020 with documented problem codes of ‘Opioid Overdose’ were extracted. Patients receiving paramedic naloxone were also included. The data was cleaned and analysed, and incomplete records were removed. Statistical models including chi-squared tests of goodness-of-fit and post hoc pairwise t-tests were applied to the data. Ethics approval for this study was granted by the Trent University’s Research Ethics Board. Results 788 opioid overdoses were identified out of 72,737 patients. There were 263 opioid overdoses found in 2020 representing 1.4% patients, a significant increase from 2017-2019 (p value: 0.006). The proportion of patients receiving paramedic naloxone was significantly increased from previous years (p value: 0.005) while bystander naloxone administration was significantly decreased (p value 0.002). Age, gender, and pick-up location types were not significantly different between 2020 and previous years. Conclusion Despite reduced overall call volumes in 2020, paramedics observed an increase in opioid overdoses. The increase in paramedic naloxone administration and decrease in bystander naloxone administration may indicate changes in usage practices of community opioid users or an instability in the drug supply. These factors must be considered in future opioid harm reduction strategies and public health COVID-19 containment measures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».