Patient and Clinician Perspectives on Adolescent Opioid Use Disorder Treatment During a Pandemic: One Step Back, but Two Forward?
Notice bibliographique
Résumé
Opioid use disorder (OUD) is one of the most pressing public health problems in the United States and is highly prevalent among adolescents and young adults (AYAs). However, only a small percentage of AYAs with OUD ever receive treatment. Further, among those that do receive treatment, a substantial proportion of patients continue to struggle with OUD, and many prematurely drop out of treatment. These challenges have only been heightened in the face of the COVID-19 pandemic, but greater utilization of telehealth and mobile technologies by OUD patients may help counter these barriers, which ultimately may improve AYA OUD treatment in the postpandemic period. This viewpoint presents the perspective of a person in OUD recovery using online and mobile technology to support his own OUD recovery combined with thoughts from two clinicians supporting AYAs with OUD. Their perspectives may provide insights to help counter COVID-19-related consequences and offer clues to improving AYA OUD treatment in the long term.
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 | 0,010 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».