Prescribed safer supply during dual public health emergencies: a qualitative study examining service providers perspectives on early implementation
Notice bibliographique
Résumé
BACKGROUND: Within North America and worldwide, drug related overdoses have increased dramatically over the past decade. COVID-19 escalated the need for a safer supply to replace unregulated substances and to reduce toxicity and overdoses. Service providers play an integral role in the delivery of safer supply but there is little empirical evidence that conceptualizes effective safer supply from their perspectives. This study explored early implementation and impacts of a safer supply program, capturing the perspectives of an interdisciplinary team of service providers on tensions and issues encountered in the development of the SAFER program. METHODS: Using a community-based participatory approach, we conducted individual interviews with program providers (n = 9). The research team was composed of researchers from a local drug user organization, a local harm reduction organization, and academic researchers. The Consolidated Framework for Implementation Research (CFIR) informed the interview guide. Data was analyzed using thematic analysis. RESULTS: There are six themes describing early implementation: (1) risk mitigation prescribing as context for early implementation; (2) developing SAFER specific clinical protocols; (3) accessibility challenges and program innovations; (4) interdisciplinary team and wraparound care; (5) program tensions between addiction medicine and harm reduction; (6) the successes of safer supply and future visions. CONCLUSION: Early implementation issues and tensions included prescriber concerns about safer supply prescribing in a highly politicized environment, accessibility challenges for service users such as stigma, encampment displacement, OAT requirements, program capacity and costs, and tensions between addiction medicine and harm reduction. Navigating these tensions included development of clinical protocols, innovations to reduce accessibility challenges such as outreach, wraparound care, program coverage of medication costs and prescribing safer supply with/without OAT. These findings contribute important insights for the development of prescribed safer supply programs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,010 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».