Medication Treatment for Opioid use Disorder and Community Pharmacy: Expanding Care during a National Epidemic and Global Pandemic
Notice bibliographique
Résumé
Medications for opioid use disorder (MOUD), such as methadone and buprenorphine, are effective strategies for treatment of opioid use disorder (OUD) and reducing overdose risk. MOUD treatment rates continue to be low across the US, and currently, some evidence suggests access to evidence-based treatment is becoming increasingly difficult for those with OUD as a result of the 2019 novel corona virus (COVID-19). A major underutilized source to address these serious challenges in the US is community pharmacy given the specialized training of pharmacists, high levels of consumer trust, and general availability for accessing these service settings. Canadian, Australian, and European pharmacists have made important contributions to the treatment and care of those with OUD over the past decades. Unfortunately, US pharmacists are not permitted to prescribe MOUD and are only currently allowed to dispense methadone for the treatment of pain, not OUD. US policymakers, regulators, and practitioners must work to facilitate this advancement of community pharmacy-based through research, education, practice, and industry. Advancing community pharmacy-based MOUD for leading clinical management of OUD and dispensation of treatment medications will afford the US a critical innovation for addressing the opioid epidemic, fallout from COVID-19, and getting individuals the care they need.
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 | 0,008 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,020 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,009 |
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 source (Gemma direct ou Codex distillé), 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 ».