Cannabis donation as a harm reduction strategy: a case study
Notice bibliographique
Résumé
BACKGROUND: The United States (US) continues to experience unprecedented rates of overdose mortality and there is increased need to identify effective harm reduction practices. Research from Canada describes cannabis donation through harm reduction agencies as an adjunctive strategy to mitigate the negative consequences of more harmful drugs. This case study describes the operational logistics, feasibility, and potential benefits of a cannabis donation program that was operated through a harm reduction program in rural Michigan. CASE PRESENTATION: We applied a community driven research approach to gather information from harm reduction program staff about the implementation and evolution of cannabis donation efforts in Michigan. We also examined 20-months (September 2021 through May 2023) of administrative data from a cannabis company to compare the sale and donation of cannabis products. Ten cannabis-experienced harm reduction clients received cannabis donations, with clinical staff determining client interest and appropriateness, and providing weekly pick-up or delivery. To expand product availability and sustainability, we examined administrative data from a commercialcannabis company that volunteered to provide donations. This administrative data suggests that while flower products constitute most of the adult and medical sales, edible, oil, and topical products predominated donations. Further, cost analysis suggests that donations represent only 1% of total gross sales and account for much less than the expected yearly donation amount. CONCLUSIONS: Research suggests there is potential to reduce alcohol and drug use related harms of more dangerous substances through substitution with cannabis. This case study is the first to document cannabis donation as a harm reduction practice in the US and suggests potential for sustainability dependent on state laws. Findings from this case study provide a starting point for inquiry into cannabis donation as a harm reduction strategy in the US; future research is needed to fully understand the individual-level outcomes, public health impacts, necessary legal regulations, and best practices for cannabis donation programs through harm reduction organizations.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».