Abstract 9876: Optimizing Public Naloxone Kit Locations Through Mathematical Modeling
Notice bibliographique
Résumé
Introduction: Use of bystander-administered naloxone may lead to improved likelihood of recovery from opioid overdose. We sought to determine the accessibility of public access naloxone kits on nearby opioid overdose incidents if placed at public transit stops, compared to placing kits outside pharmacies or with existing public access automated external defibrillators (PADs). Methods: We included all incidents in Metro Vancouver, British Columbia responded to by British Columbia Emergency Health Services coded as a drug overdose with naloxone administered on-scene (Dec. 2014 to Aug. 2020). We geo-coded all public transit bus stops and used a mathematical optimization model to select bus stops where publicly accessible naloxone kits could be placed to maximize accessibility (defined as ≤100 m walking distance) to opioid overdoses. We evaluated accessibility on out-of-sample OHCAs using five-fold cross validation and compared against two baseline policies: placing publicly accessible naloxone kits at all pharmacies identified by the College of Pharmacists of British Columbia, and placing kits at all PADs identified by the British Columbia AED Registry. Statistical analysis was conducted using McNemar’s test. Results: We identified 14,318 opioid overdoses, 8,972 bus stops, 736 pharmacies, and 425 PADs. Accessibility of public naloxone kits for opioid overdose locations was 5.1% when placed at all pharmacies and 3.5% when placed with all existing PADs. Optimized naloxone kit placement using bus stops as candidate locations resulted in significantly higher accessibility than both pharmacy and PAD-based placement at 14.8% with 10 optimized locations (P<0.001), increasing to 36.7% with 500 locations (P<0.001). Conclusion: Optimizing placement of public access naloxone kits at select public transit locations can provide significantly higher accessibility to opioid overdose locations compared to placement at pharmacies or at existing PAD locations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».