Electronic harm reduction interventions for drug overdose monitoring and prevention: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Novel strategies are required to address rising overdose deaths across the globe. We sought to identify the breadth and depth of the existing evidence around electronic harm reduction (e-harm reduction) interventions that aimed to reduce the harms associated with substance use. METHODS: We conducted a scoping review according to the PRISMA-ScR and PRISMA for Searching guidelines. A health sciences librarian systematically searched seven health databases from inception until January 20, 2023. Citation chaining and reference lists of included studies were searched to identify additional articles. Two reviewers independently screened, extracted and charted the data. Additionally, we conducted a gray literature search and environmental scan to supplement the findings. RESULTS: A total of 51 studies met the criteria for inclusion (30 peer-reviewed articles and 21 non-peer reviewed). Most peer-reviewed studies were conducted in Western countries (USA = 23, Canada = 3, Europe = 3, China = 1) and among adult samples (adult = 27, youth/adults =1, unspecified = 2). Study designs were predominantly quantitative (n = 24), with a minority using qualitative (n = 4) or mixed methods (n = 2). Most e-harm reduction interventions were harm reduction (n = 15), followed by education (n = 6), treatment (n = 2), and combined/other approaches (n = 7). Interventions utilized web-based/mobile applications (n = 15), telephone/telehealth (n = 10), and other technology (n = 5). CONCLUSIONS: While e-harm reduction technology is promising, further research is required to establish the efficacy and effectiveness of these novel interventions.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».