Substance use disorders in hospice palliative care: A narrative review of challenges and a case for physician intervention
Notice bibliographique
Résumé
OBJECTIVES: Substance use disorders (SUDs) are frequently encountered in hospice palliative care (HPC) and pose substantial quality-of-life issues for patients. However, most HPC physicians do not directly treat their patients' SUDs due to several institutional and personal barriers. This review will expand upon arguments for the integration of SUD treatment into HPC, will elucidate challenges for HPC providers, and will provide recommendations that address these challenges. METHODS: A thorough review of the literature was conducted. Arguments for the treatment of SUDs and recommendations for physicians have been synthesized and expanded upon. RESULTS: Treating SUD in HPC has the potential to improve adherence to care, access to social support, and outcomes for pain, mental health, and physical health. Barriers to SUD treatment in HPC include difficulties with accurate assessment, insufficient training, attitudes and stigma, and compromised pain management regimens. Recommendations for physicians and training environments to address these challenges include developing familiarity with standardized SUD assessment tools and pain management practice guidelines, creating and disseminating visual campaigns to combat stigma, including SUD assessment and intervention as fellowship competencies, and obtaining additional training in psychosocial interventions. SIGNIFICANCE OF RESULTS: By following these recommendations, HPC physicians can improve their competence and confidence in working with individuals with SUDs, which will help meet the pressing needs of this population.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».