Addiction Medicine Training Fellowships in North America: A Recent Assessment of Progress and Needs
Notice bibliographique
Résumé
OBJECTIVES: Although unhealthy substance use and addiction contribute to 1 in 4 deaths and are estimated to cost the US more than $740 billion annually, fewer than 12 hours of physician education over the 7 years of medical school and primary residency training specifically address alcohol and other drug-related issues. Addiction Medicine was formally recognized as a medical subspecialty in 2016 to address the need for physicians trained in prevention, treatment, and management of substance use. This study examines the characteristics of the Addiction Medicine fellowships in operation during this critical period in the subspecialty's development to identify needs and potential. METHODS: This study is a cross-sectional survey of Addiction Medicine Fellowship Directors from 46 fellowships accredited as of 2017 (43 in the United States and 3 in Canada). The response rate was 100%. RESULTS: Directors estimated significant growth in available fellowship slots between 2016 to 2017 and 2017 to 2018 (F = 49.584, P < .001). The majority of Directors reported that demand for their graduates was high (79.5%). Fellow training in screening, brief intervention, and referral to treatment spanned many substances and age groups, although fewer programs focused on nicotine and on adolescent populations. Notably, most directors reported that graduates completed waiver training to prescribe buprenorphine-naloxone (77.5%) and gained clinical experience in an opioid treatment setting (89.1%). Funding was the #1 need among 56.8% of Directors. CONCLUSIONS: Despite significant growth in Addiction Medicine fellowships over the past 6 years, meeting future workforce demands for Addiction Medicine specialists depends on access to funding to support fellowships.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».