Implementing a Substance Use Screening Protocol in Rural Federally Qualified Health Centers
Notice bibliographique
Résumé
INTRODUCTION: In 2018, nearly 20% of Americans aged 12 years and older reported using illicit substances, with higher rates in rural areas. Federally Qualified Health Centers (FQHCs) provide health care to one in five rural Americans. However, estimates suggest that only 13.6% of patients in rural FQHCs receive substance use (SU) screening compared with 42.6% of patients in urban FQHCs. AIMS: This quality improvement (QI) project aimed to improve patient quality and safety and meet Health Resources and Services Administration reporting requirements. These aims were achieved through the design and implementation of a new SU screening protocol in four FQHCs in rural Indiana. METHOD: Deming's plan-do-study-act model was used to implement QI interventions to increase SU screening rates. A new SU screening tool, the National Institute on Drug Abuse -Modified Alcohol, Smoking, and Substance Involvement Screening Testwas implemented, and staff were trained on its use. the screening, brief intervention, and referral to treatment model was used as a guiding framework. Outcome measures included a comparison of SU screening rates from the first quarter of 2019 to the first quarter of 2020, as well a pretest-posttest designed to measure staff knowledge and attitudes regarding SU. RESULTS: Baseline SU screening rate in 2019 was 0.87%. This increased to 24.8% by March 2020. Additionally, posttest results demonstrated improvement from staff on all indices, and an approval rating of 77% of the new SU screening practices. CONCLUSIONS: This project demonstrated that a low-cost QI intervention can increase SU screening rates in rural FQHCs, as well as improve staff knowledge and attitudes regarding SU.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».