What Strategies Are Hospitals Adopting to Address the Opioid Epidemic? Evidence From a National Sample of Nonprofit Hospitals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Hospitals are on the front lines of the opioid epidemic, seeing patients who overdose or have complicated infections, but the extent of services offered or whether services are evidence-based is not known. The objective of our study was to assess the extent to which nonprofit hospitals are addressing opioid abuse, a critical public health issue, through their community benefit work and to identify which evidence-based strategies they adopt. METHODS: We reviewed community benefit documents from January 1, 2015, through December 31, 2018, for a sample (N = 446) of all nonprofit hospitals in the United States. We classified hospital opioid-related strategies into 9 categories. Using logistic regression, we predicted the likelihood of hospitals adopting various strategies to address opioid abuse. RESULTS: Of the 446 nonprofit hospitals in our sample, 49.1% (n = 219) adopted ≥1 clinical strategy to address opioid use disorder in their community. Approximately one-quarter (26.5%; n = 118) of hospitals adopted a strategy related to treatment services for substance use disorder; 28.2% (n = 126) had ≥1 program focused on connecting patients to a primary care medical home, and 14.6% (n = 65) focused on caring for patients with opioid-related overdoses in the emergency department. We also identified factors that predicted involvement in programs that were less common than clinical strategies, but potentially effective, such as harm reduction and prescriber initiatives (both 6.3% of hospitals). CONCLUSIONS: Evidence-based prevention and treatment require strong collaboration between health care and community institutions at all levels. Effective policy interventions may exist to encourage various types and sizes of nonprofit hospitals to adopt evidence-based interventions to address opioid abuse in their communities.
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.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle