A Needs Assessment of the Number of Comprehensive Addiction Care Physicians Required in a Canadian Setting
Notice bibliographique
Résumé
OBJECTIVE: Medical professionals adequately trained to prevent and treat substance use disorders are in short supply in most areas of the world. Whereas physician training in addiction medicine can improve patient and public health outcomes, the coverage estimates have not been established. We estimated the extent of the need for medical professionals skilled in addiction medicine in a Canadian setting. METHODS: We used Monte-Carlo simulations to generate medians and 95% credibility intervals for the burden of alcohol and drug use harms, including morbidity and mortality, in British Columbia, by geographic health region. We obtained prevalence estimates for the models from the Medical Services Plan billing, the Discharge Abstract Database data, and the government surveillance data. We calculated a provider availability index (PAI), a ratio of the size of the labor force per 1000 affected individuals, for each geographic health region, using the number of American Board of Addiction Medicine certified physicians in each area. RESULTS: Depending on the data source used for population estimates, the availability of specialized addiction care providers varied across geographic health regions. For drug-related harms, we found the highest PAI of 23.72 certified physicians per 1000 affected individuals, when using the Medical Services Plan and Discharge Abstract Database data. Drawing on the surveillance data, the drug-related PAI dropped to 0.46. The alcohol-related PAI ranged between 0.10 and 86.96 providers, depending on data source used for population estimates. CONCLUSIONS: Our conservative estimates highlight the need to invest in healthcare provider training and to develop innovative approaches for more rural health regions.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».