Implementation of Interventions and Policies on Opioids and Awareness of Opioid-Related Harms in Canada: A Multistage Mixed Methods Descriptive Study
Notice bibliographique
Résumé
In Canada, interventions and policies have been implemented to minimize the risk of opioid-related harms. This mixed methods study aimed at describing trends over time in implementation, as well as in awareness and health outcomes. For implementation, we conducted a scoping review to identify opioids interventions and policies implemented in Canada between 1 January 2016 and 15 November 2019. Awareness was measured through a descriptive analysis of opioid-related harm cases reported by consumers and health care professionals (HCPs) to the national spontaneous reporting system and of social media coverage, while health outcome consisted of opioid-related deaths recorded in the coroner's reports database of the province of Quebec, Canada. Trends over time in implementation of interventions were compared to trends in awareness and opioid-related deaths, without implying causality. There were 413 national or provincial interventions on opioids implemented over the study period, with a four-fold increase in 2016. The most common (31.5%) was harm reduction strategies, such as naloxone distribution. The reporting rate of opioid-related harms ranged between 0.1 and 0.2 per 100,000 persons with no observed time trend. Compared to 2015, the number of social media posts increased in 2016 by 35.4% (Reddit), 329.0% (Facebook), and 381.5% (Twitter). Between 2016 and 2019, there was a slight decrease in the number of opioid-related deaths recorded in the coroner's database. Overall, the increase in the number of policies did not see a parallel increase in spontaneous reports of opioid-related harms as an indicator of consumer or HCP awareness. Conversely, the dramatic increase in social media coverage was consistent with heightened public awareness. Although no inferences of causality were made in this study, the decrease in opioid-related deaths observed in the recent years may indicate a potential effectiveness of interventions and policies.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,014 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».