Evaluation of a Multistage Implementation of Medication for Opioid Use Disorder Services in Primary Care
Notice bibliographique
Résumé
Introduction Despite effective treatment for opioid use disorder, access to care is limited. Increased availability of evidence-based medication for opioid use disorder (MOUD) treatment within primary care is urgently needed. This study describes efforts to increase MOUD services within a large urban primary care practice.Methods After an internal assessment of barriers to MOUD services, a two-phase approach was used to educate providers and to implement MOUD services within a primary care practice over 2.5 years. Physicians became X-waiver certified in the education phase and completed four internal training sessions. Physicians completed pre-post surveys to assess their intention to prescribe MOUD. In the implementation phase, an interdisciplinary team designed accessible MOUD clinical hours. The RE-AIM model guided the evaluation of the MOUD training and services. The clinic evaluation included a medical records review, a provider focus group (n = 6), and patient interviews (n = 6).Results Pre-post surveys indicated that providers did not increase their intentions to prescribe MOUD. Once MOUD clinical hours were operational, the number of providers treating patients with MOUD increased substantially. Patients who received these services found them low-barrier, non-stigmatizing, and effective. The clinical team was satisfied with service delivery but offered suggestions for improvement for the whole primary care team.Conclusions Increasing access to MOUD services within primary care may require iterative efforts to overcome practice-specific barriers, and gains may still be moderate. Training in MOUD services should focus on the whole primary care team as it requires interdisciplinary coordination to deliver high-quality services.
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 | 0,000 |
| 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 ».