Medical training to effectively support patients who use substances across practice settings: a scoping review of recommended competencies
Notice bibliographique
Résumé
Background: The responsibility for addressing the healthcare needs of PWUS is the responsibility of all physicians. Within the healthcare system, research consistently reveals inequitable experiences in healthcare with people who use substances (PWUS) reporting stigmatization, marginalization, and a lack of compassion. Objectives: The aim of this scoping review was to find and describe competencies being taught, developed, and fostered within medical education and then to provide recommendations to improve care for this population of patients. Results: Nineteen articles were included. Recommended knowledge competencies tend to promote understanding neurophysiological changes caused by substances, alongside knowing how to evaluate of 'risky' behaviours. Commonly recommended skills relate to the screening and management of substance use disorders. Recommended attitude competencies include identifying personal bias and establishing a patient-centered culture among practice teams. The disease model of addiction informed all papers, with no acknowledgement of potential beneficial or non-problematic experiences of substance use. To enhance knowledge-type competencies, medical education programs are advised to include addiction specialists as educators and prevent stigmatization through the hidden curriculum. Conclusion: To reduce experiences of stigmatization and marginalization among patients who use illicit substances and to improve quality of care, knowledge, skills, and attitudes competencies can be more effectively taught in medical education programs.Résumé.
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 | 0,008 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».