Impact of a publicly funded pharmacy-dispensed naloxone program on fatal opioid overdose rates: A population-based study
Notice bibliographique
Résumé
BACKGROUND: Studies examining the impact of pharmacy-dispensed naloxone programs on fatal opioid overdose rates are lacking. We examined the impact of the publicly funded Ontario Naloxone Program for Pharmacies (ONPP), implemented in June 2016, on provincial rates of opioid overdose deaths. METHODS: We conducted a population-based interrupted time-series study between July 1, 2012 and December 31, 2018. We considered a parsimonious model with terms for time, ONPP implementation, and time following the ONPP implementation. Models were adjusted for population characteristics, number of pharmacies and rate of naloxone distributed through non-pharmacy sites within provincial public health units. RESULTS: In the parsimonious model, the ONPP was associated with a non-significant 9% reduction in the level of fatal opioid overdoses (rate ratio [RR] 0.91; 95% confidence interval [CI] 0.79-1.06), a finding that was most pronounced in regions in the lowest tertile of implementation (RR 0.75; 95% CI 0.62-0.91). Following multivariable adjustment, there was an increase in the level (RR 1.06; 95% CI 0.94-1.19) and slope change (RR 1.06; 95% CI 1.02-1.10) of fatal overdose rates. CONCLUSION: The ONPP is insufficient as a single intervention to meaningfully reduce rates of fatal opioid overdoses during a period in which the cause of these deaths shifted from prescription opioids to highly potent fentanyl analogs. Access to additional harm reduction, treatment, and other interventions is necessary to prevent deaths and optimize the health of people who use drugs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».