Safer opioid supply via a biometric dispensing machine: a qualitative study of barriers, facilitators and associated outcomes
Notice bibliographique
Résumé
BACKGROUND: The MySafe program provides pharmaceutical-grade opioids to participants with opioid use disorder via a biometric dispensing machine. The objectives of this study were to examine facilitators and barriers to safer supply via the MySafe program and the associated outcomes. METHODS: We conducted semistructured interviews with participants who had been enrolled in the MySafe program for at least a month at 1 of 3 sites in Vancouver. We developed the interview guide in consultation with a community advisory board. Interviews focused on context of substance use and overdose risk, enrolment motivations, program access and functionality, and outcomes. We integrated case study and grounded theory methodologies, and used both conventional and directed content analyses to guide inductive and deductive coding processes. RESULTS: We interviewed 46 participants. Characteristics that facilitated use of the program included accessibility and choice, a lack of consequences for missing doses, nonwitnessed dosing, judgment-free services and an ability to accumulate doses. Barriers included technological issues with the dispensing machine, dosing challenges and prescriptions being tied to individual machines. Participant-reported outcomes included reduced use of illicit drugs, decreased overdose risk, positive financial impacts and improvements in health and well-being. INTERPRETATION: Participants perceived that the MySafe program reduced drug-related harms and promoted positive outcomes. This service delivery model may be able to circumvent barriers that exist at other safer opioid supply programs and may enable access to safer supply in settings where programs may otherwise be limited.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».