Implementation of Clinical Algorithms for Take-Home Naloxone and Buprenorphine/ Naloxone in Emergency Rooms: SuboxED Project Evaluation
Notice bibliographique
Résumé
Introduction: Emergency departments (EDs) are often the first point of care for people at risk of opioid-related overdose, an issue on the rise in Canada. Dispensing take-home naloxone (THN) and/or initiating opioid agonist treatment (OAT) in the ED can help prevent overdose. Methods: The SuboxED (CC-BY-NC-SA) project evaluated the implementation of a clinical algorithm for dispensing THN and prescribing buprenorphine/naloxone (B/n) in three EDs in the province of Québec. We performed a retrospective review of ED electronic medical records flagged as “at risk of opioid overdose (ROO).” This study included an implementation process from April 1, 2018 to April 30, 2019, and an evaluation of the project implementation for eligible patients from May 1 to December 31, 2019. We also administered satisfaction surveys to medical teams and patients. Results: A total of 877 (36.2%) patient records were included in the analysis. Of these, 62% had a confirmed diagnostic of opioid use disorder (OUD) and 70.8% met eligibility criteria for naloxone prescription. However, only 7.7 % were given a prescription or take-home naloxone in the ED, and 12.4 % were initiated on B/n in the ED or in the community after the ED visit. Seven patients and 125 health care providers from EDs, clinics, and retail pharmacies completed the survey. Conclusion: The SuboxED project demonstrated the feasibility of implementing a clinical algorithm for dispensing THN and initiating B/n in the ED, and of evaluating its efficacy in the 6 months following implantation. In addition to advocating for free access to THN in EDs, scaling up the uptake of the algorithm in EDs is the next challenge.
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 | 0,023 | 0,034 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».