Substance use disorder bridge clinics: models, evidence, and future directions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The opioid overdose and polysubstance use crises have led to the development of low-barrier, transitional substance use disorder (SUD) treatment models, including bridge clinics. Bridge clinics offer immediate access to medications for opioid use disorder (MOUD) and other SUD treatment and are increasingly numerous. However, given relatively recent implementation, the clinical impact of bridge clinics is not well described. METHODS: In this narrative review, we describe existing bridge clinic models, services provided, and unique characteristics, highlighting how bridge clinics fill critical gaps in the SUD care continuum. We discuss available evidence for bridge clinic effectiveness in care delivery, including retention in SUD care. We also highlight gaps in available data. RESULTS: The first era of bridge clinic implementation has yielded diverse models united in the mission to lower barriers to SUD treatment entry, and preliminary data indicate success in patient-centered program design, MOUD initiation, MOUD retention, and SUD care innovation. However, data on effectiveness in linking to long-term care are limited. CONCLUSIONS: Bridge clinics represent a critical innovation, offering on-demand access to MOUD and other services. Evaluating the effectiveness of bridge clinics in linking patients to long-term care settings remains an important research priority; however, available data show promising rates of treatment initiation and retention, potentially the most important metric amidst an increasingly dangerous drug supply.
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.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 découle