A rapid review of current engagement strategies with people who use drugs in monitoring and reporting on substance use-related harms
Notice bibliographique
Résumé
BACKGROUND: The Canadian drug supply has significantly increased in toxicity over the past few years, resulting in the worsening of the overdose crisis. A key initiative implemented during this crisis has been data monitoring and reporting of substance use-related harms (SRH). This literature review aims to: (1) identify strategies used for the meaningful engagement of people who use drugs (PWUD) in local, provincial, and national SRH data system planning, reporting, and action and (2) describe data monitoring and reporting strategies and common indicators of SRH within those systems. METHODS: We searched three academic and five gray literature databases for relevant literature published between 2012 and 2022. Team members who identify as PWUD and a librarian at Public Health Ontario developed search strings collaboratively. Two reviewers screened all search results and applied the eligibility criteria. We used Microsoft Excel for data management. RESULTS: Twenty-two articles met our eligibility criteria (peer-reviewed n = 10 and gray literature reports n = 12); most used qualitative methods and focused on the Canadian context (n = 20). There were few examples of PWUD engaged as authors of reports on SRH monitoring. Among information systems involving PWUD, we found two main strategies: (1) community-based strategies (e.g., word of mouth, through drug sellers, and through satellite workers) and (2) public health-based data monitoring and communication strategies (e.g., communicating drug quality and alerts to PWUD). Substance use-related mortality, hospitalizations, and emergency department visits were the indicators most commonly used in systems of SRH reporting that engaged PWUD. CONCLUSION: This review demonstrates limited engagement of PWUD and silos of activity in existing SRH data monitoring and reporting strategies. Future work is needed to better engage PWUD in these processes in an equitable manner. Building SRH monitoring systems in partnership with PWUD may increase the potential impact of these systems to reduce harms in the community.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».