Receipt of Medications for Alcohol Use Disorder in the Veterans Health Administration: Comparison of Rates at the Intersections of Racialized and Ethnic Identity With Both Sex and Transgender Status
Notice bibliographique
Résumé
OBJECTIVES: Medications for alcohol use disorder (MAUDs) are recommended for patients with alcohol use disorder yet are underprescribed. Consistent with Minority Stress and Intersectionality theories, persons with multiple sociodemographically marginalized identities (eg, Black women) often experience greater barriers to care and have poorer health outcomes. We use data from the Veterans Health Administration to assess disparities in Federal Drug Administration (FDA)-approved MAUDs and all effective MAUDs between the following groups: racialized and ethnic identity, sex, transgender status, and their intersections. METHODS: Among all Veterans Health Administration outpatients between August 1, 2015, and July 31, 2017, with documented alcohol screenings and an International Classification of Diseases diagnosis for alcohol use disorder in the 0-365 days prior (N = 308,238), we estimated the prevalence and 95% confidence intervals of receiving FDA-approved MAUDs and any MAUDs in the following year and compared them using χ2 or Fisher's exact test. Analyses are unadjusted to present true prevalence and group differences. RESULTS: The overall prevalence for MAUDs was low (FDA-MAUDs = 8.7%, any MAUDs = 20.0%). Within sex, Black males had the lowest rate of FDA-MAUDs (7.3%, [7.1-7.5]), whereas American Indian/Alaskan Native females had the highest (18.4%, [13.8-23.0]). Among those identified as transgender, Asian and Black transgender persons had the lowest rates of FDA-MAUDs (0%; 4.3%, [1.8-8.5], respectively), whereas American Indian/Alaskan Native transgender patients had the highest (33.3%, [2.5-64.1]). Similar patterns were observed for any MAUDs, with higher rates overall. CONCLUSIONS: Substantial variation exists in MAUD prescribing, with marginalized veterans disproportionately receiving MAUDs at lower and higher rates than average. Implementation and quality improvement efforts are needed to improve MAUD prescribing practices and reduce disparities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».