Illicit Substance Use and the COVID-19 Pandemic in the United States: A Scoping Review and Characterization of Research Evidence in Unprecedented Times
Notice bibliographique
Résumé
We carried out a scoping review to characterize the primary quantitative evidence addressing changes in key individual/structural determinants of substance use risks and health outcomes over the first two waves of the COVID-19 pandemic in the United States (US). We systematically queried the LitCovid database for US-only studies without date restrictions (up to 6 August 2021). We extracted quantitative data from articles addressing changes in: (a) illicit substance use frequency/contexts/behaviors, (b) illicit drug market dynamics, (c) access to treatment and harm reduction services, and (d) illicit substance use-related health outcomes/harms. The majority of 37 selected articles were conducted within metropolitan locations and leveraged historical timeseries medical records data. Limited available evidence supported changes in frequency/behaviors/contexts of substance use. Few studies point to increases in fentanyl and reductions in heroin availability. Policy-driven interventions to lower drug use treatment thresholds conferred increased access within localized settings but did not seem to significantly prevent broader disruptions nationwide. Substance use-related emergency medical services' presentations and fatal overdose data showed a worsening situation. Improved study designs/data sources, backed by enhanced routine monitoring of illicit substance use trends, are needed to characterize substance use-related risks and inform effective responses during public health emergencies.
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 | 0,015 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».