Consumption and Treatment Sites: A Strategy to Overcome the Opioid Crisis in Windsor-Essex County
Notice bibliographique
Résumé
Background Canadians are currently facing a national opioid overdose crisis which has been further exacerbated by the COVID-19 pandemic (Government of Canada, 2021d). A total of 22,828 opioid overdose deaths occurred in Canada between January 2016 and March 2021 (Government of Canada, 2021d). In Windsor-Essex County, there were 403 opioid overdose emergency department visits in 2021 (Windsor Essex Health Unit, 2021). Consumption and Treatment Sites (CTS) have been proposed to help overcome this crisis locally. Purpose The purpose of this infograph is to create a visual representation that describes the opioid crisis, identify CTS as an evidence-informed harm reduction strategy, as well as offer critical resources to those affected by opioid use. Methods A systematic review of the literature was performed to identify harm reduction strategies to address the opioid overdose crisis between 2016-2021. CINHAL, Ovid Medline, Google Scholar, and ProQuest were searched using a combination of the following keywords “harm reduction”, “overdose prevention”, “people who use drugs”, “drug use”, “overdose”, “overdose death”, “opioids”, “mortality”, and “substance use or abuse”, “safe OR supervised injection site OR consumption site OR facility”. A total of 1041 articles were found. Titles and abstracts were reviewed for each article. Articles addressing opioid abuse, harm reduction strategies, and safe consumption sites were included. All duplicate studies, and studies that did not meet the purpose of this infograph were removed. A total of 20 articles were included in this review. Results Current evidence supports the use of CTS as a vital harm reduction strategy. CTS can decrease opioid related overdoses and deaths (Behrends et al., 2019; Hayashi et al., 2021; Irvine et al., 2019), reduce the need for hospital and EMS services thereby leading to a cost reduction (Government of Canada, 2021c; Madah-Amiri et al., 2019), decrease rushed or lone injecting (Government of Canada, 2021c; Hayashi et al., 2021), and decrease the reusing and sharing of needles (Bayoumi & Zaric, 2018; Enns et al., 2016; Irwin et al., 2017).
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».