Supervised smoking facility access, harm reduction practices, and substance use changes during the COVID-19 pandemic: a community-engaged cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: The potential public health benefits of supervised smoking facilities (SSFs) are considerable, and yet implementation of SSFs in North America has been slow. We conducted this study to respond to significant knowledge gaps surrounding SSF utilization and to characterize substance use, harm reduction practices, and service utilization following the onset of the COVID-19 pandemic. METHODS: A questionnaire was self-administered at a single site by 175 clients using an outdoor SSF in Vancouver, Canada, between October-December 2020. Questionnaire responses were summarized using descriptive statistics. Multinomial logistic regression techniques were used to examine factors associated with increased SSF utilization. RESULTS: Almost all respondents reported daily substance use (93% daily use of opioids; 74% stimulants). Most used opioids (85%) and/or methamphetamine (66%) on the day of their visit to the SSF. Respondents reported drug use practice changes at the onset of COVID-19 to reduce harm, including using supervised consumption sites, not sharing equipment, accessing medically prescribed alternatives, cleaning supplies and surfaces, and stocking up on harm reduction supplies. Importantly, 45% of SSF clients reported using the SSF more often since the start of COVID-19 with 65.2% reporting daily use of the site. Increased substance use was associated with increased use of the SSF, after controlling for covariates. CONCLUSIONS: Clients of the SSF reported increasing not only their substance use, but also their SSF utilization and harm reduction practices following the onset of COVID-19. Increased scope and scale of SSF services to meet these needs are necessary.
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».