Evaluating the Impact of Increased Dispensing of Opioid Agonist Therapy Take-Home Doses on Treatment Retention and Opioid-Related Harm among Opioid Agonist Therapy Recipients: A Simulation Study
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
Modified opioid agonist therapy (OAT) guidelines that were initially introduced during the COVID-19 pandemic allow prescribers to increase the number of take-home doses to fulfill their need for physical distancing and prevent treatment discontinuation. It is crucial to evaluate the consequence of administering higher take-home doses of OAT on treatment retention and opioid-related harms among OAT recipients to decide whether the new recommendations should be retained post-pandemic. This study used an agent-based model to simulate individuals dispensed daily or weekly OAT (methadone or buprenorphine/naloxone) with a prescription over a six-month treatment period. Within the model simulation, a subset of OAT recipients was deemed eligible for receiving increased take-home doses of OAT at varying points during their treatment time course. Model results demonstrated that the earlier dispensing of increased take-home doses of OAT were effective in achieving a slightly higher treatment retention among OAT recipients. Extended take-home doses also increased opioid-related harms among buprenorphine/naloxone-treated individuals. The model results also illustrated that expanding naloxone availability within OAT patients’ networks could prevent these possible side effects. Therefore, policymakers may need to strike a balance between expanding access to OAT through longer-duration take-home doses and managing the potential risks associated with increased opioid-related harms.
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 | 0,001 | 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 découle