People with opioid use disorders: A taxonomy of treatment entrants to support the development of a <scp>profile‐based</scp> approach to care
Notice bibliographique
Résumé
INTRODUCTION: People with opioid use disorders (OUD) present with high levels of medical and psychosocial vulnerabilities. In recent years, studies have highlighted a shift in demographic and biopsychosocial profiles of people with OUD. In order to support the development of a profile-based approach to care, this study aims to identify different profiles of people with OUD in a sample of patients admitted to a specialised opioid agonist treatment (OAT) facility. METHODS: Twenty-three categorical variables (demographic, clinical, indicators of health and social precariousness) were retrieved from a sample of 296 patient charts in a large Montréal-based OAT facility (2017-2019). Descriptive analyses were followed by a three-step latent class analysis (LCA) to identify different socio-clinical profiles and examine their association with demographic variables. RESULTS: The LCA revealed three socio-clinical profiles: (i) "polysubstance use with psychiatric, physical and social vulnerabilities" (37% of the sample); (ii) "heroin use with vulnerabilities to anxiety and depression" (33%); (iii) "pharmaceutical-type opioid use with vulnerabilities to anxiety, depression and chronic pain" (30%). Class 3 individuals were more likely to be aged 45 years and older. DISCUSSION AND CONCLUSION: While current approaches (such as low- and regular-threshold services) may be suited for many OUD treatment entrants, there may be a need to improve the continuum of care between mental health, chronic pain, and addiction services for those characterised by the use of pharmaceutical-type opioids, chronic pain and older age. Overall, the results support further exploring profile-based approaches to care, tailored to subgroups of patients with differing needs or abilities.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».