Evaluating an addiction medicine unit in Sudbury, Ontario Canada: a mixed-methods study protocol
Notice bibliographique
Résumé
BACKGROUND: In response to the escalating global prevalence of substance use and the specific challenges faced in Northern Ontario, Canada, an Addiction Medicine Unit (AMU) was established at Health Sciences North (HSN) in Sudbury. This protocol outlines the approach for a comprehensive evaluation of the AMU, with the aim of assessing its impact on patient outcomes, healthcare utilization, and staff perspectives. METHODS: We conducted a parallel mixed-method study that encompassed the analysis of single-center-level administrative health data and primary data collection, including a longitudinal observational study (target n = 1,200), pre- and post-admission quantitative interviews (target n = 100), and qualitative interviews (target n = 25 patients and n = 15 staff). We implemented a participatory approach to this evaluation, collaborating with individuals who possess lived or living expertise in drug use, frontline staff, and decision-makers across the hospital. Data analysis methods encompass a range of statistical techniques, including logistic regression models, Cox proportional hazards models, Kaplan-Meier curves, Generalized Estimating Equations (GEE), and thematic qualitative analysis, ensuring a robust evaluation of patient outcomes and healthcare utilization. DISCUSSION: This protocol serves as the foundation for a comprehensive assessment designed to provide insights into the AMU's effectiveness in addressing substance use-related challenges, reducing healthcare disparities, and improving patient outcomes. All study procedures have been meticulously designed to align with the ethical principles outlined in the Tri-Council Policy Statement: Ethical Conduct for Research Involving Humans. The findings will be disseminated progressively through committees and working groups established for this research, and subsequently published in peer-reviewed journals. Anticipated outcomes include informing evidence-based healthcare decision-making and driving improvements in addiction treatment practices within healthcare settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,075 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,014 | 0,005 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».