The changing landscape of pharmaceutical alternatives to the unregulated drug supply during COVID-19
Notice bibliographique
Résumé
BACKGROUND: The dual COVID-19 and overdose emergencies amplified strain on healthcare systems tasked with responding to both. One downstream consequence of the pandemic in the USA and Canada was a surge in drug overdoses resulting from public health-restricted access to services and an increasingly toxic unregulated drug supply. This study aimed to describe changes implemented by programs prescribing pharmaceutical alternatives to the drug supply during the early stages of the COVID-19 pandemic. METHODS: An environmental scan used surveys and qualitative interviews with service providers across Canada to examine pharmaceutical alternative prescribing practices and programs before and during the pandemic. This study summarized the nature, frequency, and reasons for pandemic-driven service delivery changes using directed content analysis, counts, and thematic analysis. RESULTS: Eighty-two of the 103 participating sites reported 1193 unique changes in physical space (368), client protocols (347), program operations (342), ancillary services (127), and staffing (90). Four qualitative themes describing the reasons for these changes emerged, namely (1) decreasing risk of COVID-19 infection; (2) decreasing risk of overdose; (3) prioritizing acute care of COVID-19 patients; and (4) improving client access to treatment. CONCLUSIONS: While most changes were aimed at decreasing risk of COVID-19 infection, some were found to be at odds with the measures needed to combat the overdose crisis; others met dual objectives of decreased risk of both overdose and infection. Further research should examine which changes should be kept or reversed once COVID-19-related public health measures are lifted.
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 | 0,001 | 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 | 0,000 |
| 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 ».