Identifying Barriers to Buprenorphine Treatment for Patients with Opioid Use Disorder Among Anesthesiologists and Pain Practitioners: A Survey Study
Notice bibliographique
Résumé
OBJECTIVE: The aim of the study is to investigate barriers to opioid use disorder (OUD) care among acute and chronic pain physicians and advanced practice providers, including hypothesized barriers of lack of interest in OUD care and stigma toward this patient population. METHODS: The study used an anonymous 16-item online survey through Google Forms. Respondents were 153 health practitioners across the United States and Canada, all of whom are registered in one of several pain or anesthesia professional societies. Data were analyzed with descriptive and categorical statistics. RESULTS: The most common barriers include "lack of appropriate clinical environment for prescribing by both acute and chronic pain practitioners" (48%) and "lack of administrative/departmental support" (46%). A total of 32% of respondents reported that OUD care was important but they were not interested in doing more, while 28% of practitioners believed that they treat patients with OUD differently than others in a negative way. More males reported "difficulty" in treating OUD as a barrier (45% vs 25%). Chronic pain practitioners reported poor payor mix as a barrier twice as often as their acute pain colleagues. In free response, lack of multidisciplinary OUD care was a notable barrier. CONCLUSIONS: The top barriers to OUD treatment were clinical environment, departmental support, difficulty in treating the condition, and payor mix, supporting the hypotheses. Given an OUD patient scenario, 55% of acute pain physicians and 73% of chronic pain physicians expressed a willingness to prescribe buprenorphine.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».