Development, Evaluation, and Initial Findings of New York State Department of Health Community Drug Checking Pilot Programs
Notice bibliographique
Résumé
CONTEXT: The illicit drug landscape in the United States is dynamic, featuring a risky and erratic drug supply. Drug checking programs (DCP) have been successfully implemented and studied extensively in Canada and Europe but are scarce in the United States. Integrating DCP at harm reduction programs provides an opportunity to engage people at the point-of-care and deliver a combination of harm reduction services, access to healthcare services, and linkages to treatment. PROGRAM: The New York State Department of Health (NYSDOH) developed and supports operation of 8 pilot community DCP sites throughout the state. The DCP were trained to utilize Fourier-transform infrared spectroscopy (FTIR) technology to deliver real-time results to participants. IMPLEMENTATION: The NYSDOH community DCP pilot began development in 2022. Partnerships were formed across multiple domains including other DCP, universities, forensic laboratories, syringe service and harm reduction programs, and legal and regulatory offices within the NYSDOH. The first pilot sites began operating in mid-2023 and program expansion is on-going. EVALUATION: Evaluation staff were extensively engaged in development and implementation phases. Qualitative evaluation focused on barriers, facilitators, and lessons learned from program staff and technicians. Quantitative evidence was gathered to assess the reach of the DCP and accuracy of results attained by drug checking technicians during their training periods. Drug checking results helped characterize the illicit drug supply. DISCUSSION: Development and implementation of DCP in NYS was facilitated by strong partnerships across sectors including public health and harm reduction. DCP may involve diverse partners who do not regularly collaborate, and health departments are positioned to build relationships and convene partners for program implementation. Evaluation findings highlight the importance of facilitating on-going training and technical assistance to DCP for quality assurance. The initial successes and lessons learned from the NYSDOH DCP demonstrate state public health departments' ability to successfully deploy this innovative harm reduction strategy.
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 | 0,029 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».