MétaCan
Menu
← Retour à la cohorte
Enregistrement W4388769782 · doi:10.1101/2023.11.15.23298586

Virtual and remote opioid poisoning education and naloxone distribution programs: a scoping review

2023· review· en· W4388769782 sur OpenAlexafffund
Bruna dos Santos, Rifat Farzan Nipun, Anna Maria Subic, Alexandra Kubica, Nick Rondinelli, Don Marentette, Joanna Muise, Kevin Paes, Meghan Riley, Samiya Bhuiya, Jeannene Crosby, Keely McBride, Joe Salter, Aaron Orkin

Notice bibliographique

RevuemedRxiv · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensCanadian Red Cross SocietyPublic Health OntarioUniversity of Toronto
Organismes subventionnairesUniversity of Toronto
Mots-clésPsychological interventionHarm reduction(+)-NaloxoneMedicinePsychologyOpioidMedical emergencyPublic healthPsychiatryNursing

Résumé

récupéré en direct d'OpenAlex

Abstract The opioid poisoning crisis is a complex and multi-faceted global epidemic with far-reaching public health effects. Opioid Poisoning Education and Naloxone Distribution (OPEND) programs destigmatize and legitimize harm reduction measures while increasing participants’ ability to administer naloxone and other life-saving interventions in opioid poisoning emergencies. While virtual OPEND programs existed prior to the COVID-19 pandemic and were shown to be effective in improving knowledge of opioid poisoning response, they were not widely implemented and evaluated. The COVID-19 pandemic brought both urgent and sustained interest in virtual health services, including harm reduction interventions and OPEND programs. We aimed to assess the scope of literature related to fully virtual OPEND programming, with or without naloxone distribution, worldwide. A search of the literature was conducted and yielded 7,722 articles, of which 31 studies fit the inclusion criteria. Type and content of the educational component, duration of training, scales used, and key findings were extracted and synthesized. Our search shows that virtual and remote OPEND programs appear effective in increasing knowledge, confidence, and preparedness to respond to opioid poisoning events while improving stigma regarding people who use substances. This effect is shown to be true in a wide variety of populations but is significantly relevant when focused on laypersons. Interventions ranged from the use of videos, websites, telephone calls, and virtual reality simulations. A lack of consensus was found regarding the duration of the activity and the scales used to measure its effectiveness. Despite increasing efforts, access remains an issue, with most interventions addressing White people in urban areas. These findings provide insights for planning, implementation, and evaluation of future virtual and remote OPEND programs. Author Summary Facing a global health challenge, the opioid poisoning crisis affects individuals across all communities, ages, and socioeconomic groups, leading to high fatality rates. Educational programs addressing opioid poisoning have emerged as life-saving and cost-effective interventions. This review focuses on these programs conducted in a virtual setting, eliminating the need for in-person contact between staff and participants. We have identified and summarized evidence about the outcomes of these programs, which may include naloxone distribution. Our findings offer valuable insights for planning, implementing, and evaluating such programs. Furthermore, we highlight gaps in current knowledge, paving the way for future research.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,031
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,031
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,004
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,383
Écart entre enseignants0,330 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetOpioid Use Disorder Treatment→Travaux en français237 207→