Exploring the role of peers in addressing the toxic drug crisis in emergency departments
Notice bibliographique
Résumé
Introduction: Health systems across Canada are facing high numbers of patients who use substances, have a diagnosed substance use disorder, or are experiencing a toxic drug poisoning, necessitating innovative approaches to care. The article discusses a unique pilot project that incorporates individuals with experience using unregulated substances (i.e., peers) into emergency departments to improve patient outcomes and enhance staff satisfaction, in response to the significant impact of the toxic drug crisis on healthcare systems. Methods: The project used an overarching Plan-Do-Study-Act quality improvement framework, and an adapted ‘Four Approaches to Evaluation’ to assess the impacts of embedding peers into the emergency department. Data collection included quantitative/qualitative intake forms, patient/staff experience surveys, and a focus group. Results: The most common reasons for peer encounters (N = 764) were emotional support, harm reduction, referrals, witnessed consumption, and requests for necessities. The patient survey (N = 51) results demonstrated how the peers helped majority of patients feel safe and more supported while accessing emergency care. ED staff (N = 22) shared positive experiences with the new program, citing improvements in quality of life, access to harm reduction services, and creating a more supportive health system. During focus groups, peers (N = 2) outlined the importance of having this role embedded into emergency departments to ensure patients are receiving the care they need in a high-stress environment that, historically, has had the potential to cause significant harm through stigma and biases to people who use substances. Conclusion: Integrating peers into EDs during the toxic drug crisis has greatly improved support for both patients and staff. This approach boosts staff morale, reduces workload stress, decreases stigma, and enhances patient care. Overall, it optimizes resources and strengthens both patient and provider experiences.
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 | 0,010 | 0,023 |
| 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 | 0,009 | 0,005 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».