Hospital Initiated Injectable Opioid Agonist Therapy for the Treatment of Severe Opioid Use Disorder: A Case Series
Notice bibliographique
Résumé
BACKGROUND: Across North America, there is an unprecedented opioid overdose epidemic. Approximately 15% of individuals with severe opioid use disorder (OUD) do not benefit from opioid agonist therapy (OAT) such as buprenorphine/naloxone or methadone and are considered treatment refractory. Of those who inject, injectable OAT (iOAT), with hydromorphone or diacetylmorphine, offered in community settings has demonstrated improved retention to treatment and decreased nonprescription opioid use. This case series seeks to describe iOAT initiation and titration in a hospital setting for treatment refractory individuals with OUD and examine impacts of iOAT on leaving hospital against medical advice (AMA). METHODS: A retrospective chart review of 4 patients initiated on iOAT during hospitalization at St. Paul's Hospital in Vancouver, BC was completed between July 2017 to May 2018. Outcomes of interest included: (1) dose titration schedules of hydromorphone; and (2) reports of leaving hospital AMA; and (3) continuation of iOAT in community postdischarge. RESULTS: Of the 4 participants, 2 were female and the mean age was 42 years. Despite a history of AMA, all participants stayed until the recommended the discharge after iOAT initiation. The average total doses of intravenous hydromorphone used during titration were: day 1: 100 mg and days 2 to 3: 200 mg. All continued iOAT in the community and one participant was readmitted within 30 days postdischarge. INTERPRETATION: This case series describes a novel approach to the management of treatment refractory individuals with severe OUD during hospitalization. Prescribing iOAT in acute care settings is feasible and may reduce rates of leaving hospital AMA.
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 ».