Who receives treatment for alcohol use disorders in the European Union? A cross-sectional representative study in primary and specialized health care
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Alcohol use disorders (AUDs) are highly prevalent in Europe, but only a minority of those affected receive treatment. It is therefore important to identify factors that predict treatment in order to reframe strategies aimed at improving treatment rates. METHODS: Representative cross-sectional study with patients aged 18-64 from primary health care (PC, six European countries, n=8476, data collection 01/13-01/14) and from specialized health care (SC, eight European countries, n=1762, data collection 01/13-03/14). For descriptive purposes, six groups were distinguished, based on type of DSM-IV AUD and treatment setting. Treatment status (yes/no) for any treatment (model 1), and for SC treatment (model 2) were main outcome measures in logistic regression models. RESULTS: AUDs were prevalent in PC (12-month prevalence: 11.8%, 95% confidence interval (CI): 11.2-12.5%), with 17.6% receiving current treatment (95%CI: 15.3-19.9%). There were clear differences between the six groups regarding key variables from all five predictor domains. Prediction of any treatment (model 1) or SC treatment (model 2) was successful with high overall accuracy (both models: 95%), sufficient sensitivity (model 1: 79%/model 2: 76%) and high specificity (both models: 98%). The most predictive single variables were daily drinking level, anxiety, severity of mental distress, and number of inpatient nights during the last 6 months. CONCLUSIONS: Variables from four domains were highly predictive in identifying treatment for AUD, with SC treatment groups showing very high levels of social disintegration, drinking, comorbidity and functional losses. Earlier intervention and formal treatment for AUD in PC should be implemented to reduce these high levels of adverse outcomes.
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.
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 | 0,000 |
| 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 découle