Primary care management of alcohol use disorder and at-risk drinking: Part 1: screening and assessment.
Notice bibliographique
Résumé
OBJECTIVE: To provide primary care physicians with evidence-based information and advice on the screening and assessment of at-risk drinking and alcohol use disorder (AUD). A companion article outlines the management of at-risk drinking and AUD. SOURCES OF INFORMATION: We conducted a nonsystematic literature review, using search terms on primary care, AUD, alcohol dependence, alcohol abuse, alcohol misuse, unhealthy drinking, and primary care screening, identification, and assessment. MAIN MESSAGE: Family physicians should screen all patients at least yearly for unhealthy drinking with a validated screening test. Screen patients who present with medical or psychosocial problems that might be related to alcohol use. Determine if patients who have positive screening results are at-risk drinkers or have AUD. If patients have AUD, categorize it as mild, moderate, or severe using the Diagnostic and Statistical Manual of Mental Disorders, 5th edition, criteria. Share this diagnosis with the patient and offer assistance. Do a further assessment for patients with AUD. Screen for other substance use, concurrent disorders, and trauma. Determine whether there is a need to report to child protection services or the Ministry of Transportation. Determine the need for medical management of alcohol withdrawal. Conduct a brief physical examination and order laboratory tests to assess complete blood count and liver transaminase levels, including γ-glutamyl transpeptidase. CONCLUSION: Primary care is well suited to screening and assessment of alcohol misuse.
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 | 0,000 | 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 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 ».