‘I don't chase drugs as much anymore, and I'm not dead’: Client reported outcomes associated with safer opioid supply programs in Ontario, Canada
Notice bibliographique
Résumé
INTRODUCTION: The ongoing opioid overdose crisis, which has killed over 30,000 people in Canada since 2016, is driven by the volatility of an unregulated opioid drug supply comprised primarily of fentanyl. The Canadian government has recently funded safer opioid supply (SOS) programs, which include off-label prescriptions of pharmaceutical-grade opioids to high risk individuals with the goal of reducing overdose deaths. METHODS: In 2021, we examined the implementation and adaption of four SOS programs in Ontario. These programs use a primary care model and serve communities experiencing marginalisation. We conducted semi-structured interviews with program clients. We present the results of a thematic analysis with the aim of describing clients' self-reported impact of these programs on their health and well-being. RESULTS: We interviewed 52 clients between June and October 2021 (mean age 47 years, 56% men, 17% self-identified Indigenous, 14% living with HIV). Our results indicate multifaceted pathways to improved self-reported health and well-being among clients including changes to drug use practices, fewer overdoses, reduced criminalised activity, improved trust and engagement in health care, and increased social stability (e.g., housing). DISCUSSION AND CONCLUSION: Most clients reported that the intervention saved their life because of the reduced frequency of overdoses. Findings suggest that SOS programs improved clients' health outcomes and increase opportunities for engagement in health services. Our results provide insight into the mechanisms behind some of the emergent evidence on the impact of safer supply prescribing.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 ».