The future of precision medicine in opioid use disorder: inclusion of patient-important outcomes in clinical trials
Notice bibliographique
Résumé
Opioid use has reached an epidemic proportion in Canada and the United States that is mostly attributed to excess availability of prescribed opioids for pain. This excess in opioid use led to an increase in the prevalence of opioid use disorder (OUD) requiring treatment. The most common treatment recommendations include medication-assisted treatment (MAT) combined with psychosocial interventions. Clinical trials investigating the effectiveness of MAT, however, have a limited focus on effectiveness measures that overlook patient-important outcomes. Despite MAT, patients with OUD continue to suffer negative consequences of opioid use. Patient goals and personalized medicine are overlooked in clinical trials and guidelines, thus missing an opportunity to improve prognosis of OUD by considering precision medicine in addiction trials. In this mixed-methods study, patients with OUD receiving MAT (n=2,031, mean age 39.1 years [SD 10.7], 44% female) were interviewed to identify patient goals for MAT. The most frequently reported patient-important outcomes were to stop treatment (39%) and to avoid all drugs (25%). These results are inconsistent with treatment recommendations and trial outcome measures. We discuss theses inconsistencies and make recommendations to incorporate these outcomes to achieve patient-centered and personalized treatment strategies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,549 | 0,686 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,008 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,016 | 0,016 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,009 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».