Opioid Use Disorder: Screening, Diagnosis, and Management
Notice bibliographique
Résumé
Over the past decade, the opioid crisis in Canada has been worsening. In 2019, over 3,800 people across Canada died due to an apparent opioid-related cause, which represents a 26% increase from just 3 years prior. Given North America’s ongoing opioid crisis, and the contribution opioid-prescribing practices have had to date, a critical need exists to ensure that health care providers are not only educated about safe opioid prescribing but also are knowledgeable about how to effectively screen for, diagnose, and treat an individual with opioid use disorder. RésuméAu cours des dix dernières années, la crise des opioïdes au Canada n’a cessé de s’aggraver. En 2019, plus de 3 800 personnes au Canada sont décédées d’une cause apparemment liée à la consommation d’opioïdes, ce qui représente une augmentation de 26 % par rapport à seulement trois ans auparavant. Étant donné la crise des opioïdes qui sévit actuellement en Amérique du Nord et la contribution des pratiques de prescription d’opioïdes qui ont eu cours jusqu’ici, un besoin critique est à combler pour veiller à ce que les fournisseurs de soins soient non seulement formés sur la prescription sécuritaire des opioïdes, mais aussi bien informés sur le dépistage, le diagnostic et le traitement efficace d’un trouble lié à la consommation d’opioïdes.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».