Perspectives of Canadian Healthcare and Harm Reduction Workers on Mobile Overdose Response Services: A Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Supervised consumption sites (SCS) are an evidence-based intervention proven effective for preventing drug overdose deaths. Obstacles to accessing SCS include stigma, limited hours of operation, concerns about policing, and limited geographic availability. Mobile overdose response services (MORS) are novel technologies that provide virtual supervised consumption to help reduce the risk of fatal overdoses, especially for those who use alone. MORS can take various forms, such as phone-based hotlines and mobile apps. The aim of this article is to assess the perceptions of MORS among healthcare and harm reduction staff to determine if they would be comfortable educating clients about these services. METHODS: Twenty-two healthcare and harm reduction staff were recruited from Canada using convenience, snowball, and purposive sampling techniques to complete semistructured interviews. Inductive thematic analysis informed by grounded theory was used to identify main themes and subthemes. RESULTS: Four themes were identified: (1) increasing MORS awareness among healthcare providers was seen as useful; (2) MORS might lessen the burden of drug overdoses on the healthcare system but could also increase ambulance callouts; (3) MORS would benefit from certain improvements such as providing harm reduction resources and other supports; and (4) MORS are viewed as supplements for harm reduction, but SCS were preferred. CONCLUSIONS: This research provides valuable perspectives from healthcare and harm reduction workers to understand their perception of MORS and identifies key areas of potential improvement. Practical initiatives to improve MORS implementation outcomes exist.
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 | 0,000 | 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 ».