MétaCan
Menu
Retour à la cohorte
Enregistrement W4322737750 · doi:10.1111/adb.13271

Prescription psychostimulants for cocaine use disorder: A review from molecular basis to clinical approach

2023· review· en· W4322737750 sur OpenAlexaff
Vítor S. Tardelli, Laís F. Berro, Gilberto Gerra, Leonardo Tadonio, Adam Bisaga, Thiago Marques Fidalgo

Notice bibliographique

RevueAddiction Biology · 2023
Typereview
Langueen
DomaineNeuroscience
ThématiqueNeurotransmitter Receptor Influence on Behavior
Établissements canadiensCentre for Addiction and Mental Health
Organismes subventionnairesNational Institute on Drug AbuseNational Institutes of HealthNew York State Psychiatric Institute
Mots-clésContingency managementMedicineMedical prescriptionPsychiatryAbstinenceRandomized controlled trialPsychosocialHarm reductionStimulantNaltrexoneOpioid use disorderClinical trialIntensive care medicinePublic healthOpioidPharmacologyIntervention (counseling)

Résumé

récupéré en direct d'OpenAlex

Cocaine use is a public health concern in many countries worldwide, particularly in the Americas and Oceania. Overdose deaths involving stimulants, such as cocaine, have been increasing markedly in North America, especially with concurrent opioid involvement. To date, no pharmacological treatment is available to treat stimulant (including cocaine) use disorders. Prescription psychostimulants (PPs) could be useful to treat cocaine use disorder (CUD) as they share the pharmacological effects with cocaine, as evidenced by a recent meta-analysis that assessed 38 randomized clinical trials (RCTs). PPs were found to promote sustained abstinence and reduce drug use in patients with CUD. The aim of this paper is to provide a narrative review of the clinical pharmacology of PPs and comment on the current stage of evidence supporting PPs to treat CUD. We also propose a model of care that integrates PPs with evidence-based psychosocial interventions (such as cognitive-behavioural therapy [CBT] and contingency management [CM]), a harm reduction approach and case management with social support.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,984
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,263
Tête enseignante GPT0,465
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAddiction BiologyMême sujetNeurotransmitter Receptor Influence on BehaviorTravaux en français237 207