Assessing knowledge gaps and educational needs in urine drug test interpretation among health care professionals
Notice bibliographique
Résumé
OBJECTIVES: Urine drug testing (UDT) is a critical tool used in medical, forensic, and occupational settings, but interpreting results can be challenging. We performed a study to assess the ability of health care professionals to interpret UDT results accurately. METHODS: In total, 911 clinical and laboratory professionals in the United States and Canada responded to a survey with questions gauging expertise in UDT interpretation. Responses were analyzed to identify knowledge gaps. RESULTS: Toxicologists and laboratory PhD scientists performed well, with means of 4.82 and 4.63 questions answered correctly (out of 6 possible), respectively. Physicians specializing in pathology, emergency medicine, primary care, and internal medicine, however, displayed concerning knowledge gaps, as did laboratorians with nondoctoral degrees. Experience and training correlated with interpretation accuracy. Identification of simulated compliance as well as understanding opioid exposure, metabolism, and immunoassay cross-reactivity were among the most clinically significant knowledge gaps. More than 30% of survey respondents indicated that they would seek UDT information from the internet or peers rather than clinical or laboratory experts. CONCLUSIONS: The study highlighted the need for targeted education and better collaboration between clinical and laboratory experts and other health care professionals to ensure that when physicians order UDT, they can accurately interpret results and reduce harm.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».