The Public Health Approach to the Worsening Opioid Crisis in the United States Calls for Harm Reduction Strategies to Mitigate the Harm From Opioid Addiction and Overdose Deaths
Notice bibliographique
Résumé
The opioid crisis has devastated the U.S. more than any other country, and the epidemic is getting worse. While opioid prescriptions have decreased by more than 40% from its peak in 2010, unfortunately, opioid-related overdose deaths have not declined but continued to increase. With greater scrutiny on prescription opioids, many users switched to the cheaper and more readily available heroin that drove up heroin-related overdose deaths from 2010 to peak in 2016, being overtaken by the spike in synthetic opioid (mostly fentanyl)-related overdose deaths. The surge in fentanyl-related overdose deaths since 2013 is alarming as fentanyl is more potent and deadly. One thing is certain the opioid crisis is not improving but has become dire with the surge in fentanyl-related overdose deaths. Evidence-based strategies have to be implemented in the U.S. to control this epidemic before it destroys more lives. Other countries, including European countries and Canada, have invested more in harm reduction strategies than the U.S. even though they (especially Europe) do not face anywhere near the level of crisis as the U.S. In the long-run, upstream measures (tackling the social determinants of health) are more effective public health strategies to control the epidemic. In the meantime, however, harm reduction strategies have to be employed to mitigate the harm from addiction and overdose deaths.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».