“The post-COVID era”: challenges in the treatment of substance use disorder (SUD) after the pandemic
Notice bibliographique
Résumé
BACKGROUND: Citizens affected by substance use disorders are high-risk populations for both SARS-CoV-2 infection and COVID-19-related mortality. Relevant vulnerabilities to COVID-19 in people who suffer substance use disorders are described in previous communications. The COVID-19 pandemic offers a unique opportunity to reshape and update addiction treatment networks. MAIN BODY: Renewed treatment systems should be based on these seven pillars: (1) telemedicine and digital solutions, (2) hospitalization at home, (3) consultation-liaison psychiatric and addiction services, (4) harm-reduction facilities, (5) person-centered care, (6) promote paid work to improve quality of life in people with substance use disorders, and (7) integrated addiction care. The three "best buys" of the World Health Organization (reduce availability, increase prices, and a ban on advertising) are still valid. Additionally, new strategies must be implemented to systematically deal with (a) fake news concerning legal and illegal drugs and (b) controversial scientific information. CONCLUSION: The heroin pandemic four decades ago was the last time that addiction treatment systems were updated in many western countries. A revised and modernized addiction treatment network must include improved access to care, facilitated where appropriate by technology; more integrated care with addiction specialists supporting non-specialists; and reducing the stigma experienced by people with SUDs.
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) | 0,000 | 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 ».