Quality of primary care among individuals receiving treatment for opioid use disorder.
Notice bibliographique
Résumé
OBJECTIVE: To determine if people receiving opioid agonist treatment (OAT), a long-term treatment approach, are also receiving high-quality primary care. DESIGN: Retrospective cohort study. SETTING: Ontario. PARTICIPANTS: Recipients of public drug benefits who had at least 6 months of continuous use of methadone or buprenorphine between October 1, 2012, and September 30, 2013. MAIN OUTCOME MEASURES: Rates of cancer screening and diabetes monitoring among those who had at least 6 months of continuous OAT were compared with matched controls. Conditional logistic regression models were used to assess differences after adjusting for confounders. In secondary analyses, outcomes by type of OAT and factors related to health care delivery were compared. RESULTS: A cohort of 20 406 OAT patients was identified; they had a mean (SD) of 31 (15) physician clinic visits during the 6-month study period. Compared with the control group, OAT patients were less likely to receive screening for cervical cancer (48.7% vs 62.6%; adjusted odds ratio [AOR] of 0.34, 95% CI 0.31 to 0.36), breast cancer (23.3% vs 49.1%; AOR = 0.19, 95% CI 0.16 to 0.24), and colorectal cancer (32.5% vs 49.0%; AOR = 0.34, 95% CI 0.30 to 0.38), and less likely to have monitoring for diabetes (11.7% vs 28.5%; AOR = 0.16, 95% CI 0.13 to 0.21). Patients receiving OAT who were taking buprenorphine, enrolled in a medical home, or seeing a low-volume prescriber were generally more likely to receive cancer screening and diabetes monitoring. CONCLUSION: Patients receiving OAT were less likely to receive chronic disease prevention and management than matched controls were despite frequent health care visits, indicating a gap in equitable access to primary care.
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 | 0,000 |
| 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 ».