International monitoring of capacity of treatment systems for alcohol and drug use disorders: Methodology of the Service Capacity Index for Substance Use Disorders
Notice bibliographique
Résumé
OBJECTIVES: We aimed to develop a Service Capacity Index for Substance Use Disorders (SCI-SUD) that would reflect the capacity of national health systems to provide treatment for alcohol and drug use disorders, in terms of the proportion of available service elements in a given country from a theoretical maximum. METHODS: Data were collected through the WHO Global Survey on Progress with Sustainable Development Goals (SDG) Health Target 3.5, conducted between December 2019 and July 2020 to produce the SCI-SUD, based on 378 variables overall. RESULTS: The SCI-SUD was directly derived for 145 countries. We used multiple imputation to produce comparable SCI-SUD estimates for countries that did not submit data (40 countries) or had very high level of missingness (9 countries). The final SCI-SUD demonstrates considerable consistency and internal stability and is strongly associated with the macro-level economic, healthcare-related and epidemiologic (such as prevalence rates) variables. CONCLUSION: The presented methodology represents a step forward in monitoring the global situation in regard to the development of treatment systems for SU disorders, however, further work is warranted to improve the external validity of the measure (e.g., in-depth data generation in countries) and ensure its feasibility for regular reporting (e.g., reducing the number of variables).
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».