Client preferences for the design and delivery of injectable opioid agonist treatment services: Results from a best–worst scaling task
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Clinical trials support injectable opioid agonist treatment (iOAT) for individuals with opioid use disorder (OUD) for whom other pharmacological management approaches are not well-suited. However, despite substantial research indicating that person-centered care improves engagement, retention and health outcomes for individuals with OUD, structural requirements (e.g. drug policies) often dictate how iOAT must be delivered, regardless of client preferences. This study aimed to quantify clients' iOAT delivery preferences to improve client engagement and retention. DESIGN: Cross-sectional preference elicitation survey. SETTING: Metro Vancouver, British Columbia, Canada. PARTICIPANTS: 124 current and former iOAT clients. MEASUREMENTS: Participants completed a demographic questionnaire package and an interviewer-led preference elicitation survey (case 2 best-worst scaling task). Latent class analysis was used to identify distinct preference groups and explore demographic differences between preference groups. FINDINGS: Most participants (n = 100; 81%) were current iOAT clients. Latent class analysis identified two distinct groups of client preferences: (1) autonomous decision-makers (n = 73; 59%) and (2) shared decision-makers (n = 51; 41%). These groups had different preferences for how medication type and dosage were selected. Both groups prioritized access to take-home medication (i.e. carries), the ability to set their own schedule, receiving iOAT in a space they like and having other services available at iOAT clinics. Compared with shared decision-makers, fewer autonomous decision-makers identified as a cis-male/man and reported flexible preferences. CONCLUSIONS: Injectable opioid agonist treatment (iOAT) clients surveyed in Vancouver, Canada, appear to prefer greater autonomy than they currently have in choosing OAT medication type, dosage and treatment schedule.
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 | 0,022 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».