Priority setting for Canadian Take-Home Naloxone best practice guideline development: an adapted online Delphi method
Notice bibliographique
Résumé
BACKGROUND: Take-Home Naloxone (THN) is a core intervention aimed at addressing the toxic illicit opioid drug supply crisis. Although THN programs are available in all provinces and territories throughout Canada, there are currently no standardized guidelines for THN programs. The Delphi method is a tool for consensus building often used in policy development that allows for engagement of stakeholders. METHODS: We used an adapted anonymous online Delphi method to elicit priorities for a Canadian guideline on THN as a means of facilitating meaningful stakeholder engagement. A guideline development group generated a series of key questions that were then brought to a 15-member voting panel. The voting panel was comprised of people with lived and living experience of substance use, academics specializing in harm reduction, and clinicians and public health professionals from across Canada. Two rounds of voting were undertaken to score questions on importance for inclusion in the guideline. RESULTS: Nine questions that were identified as most important include what equipment should be in THN kits, whether there are important differences between intramuscular and intranasal naloxone administration, how stigma impacts access to distribution programs, how effective THN programs are at saving lives, what distribution models are most effective and equitable, storage considerations for naloxone in a community setting, the role of CPR and rescue breathing in overdose response, client preference of naloxone distribution program type, and what aftercare should be provided for people who respond to overdoses. CONCLUSIONS: The Delphi method is an equitable consensus building process that generated priorities to guide guideline development.
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 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».