Substance Use Treatment Services in New York (2021–2023): A State Profile Analysis Based on National Survey of Substance Abuse and Mental Health Services (N-SUMHSS) Data
Notice bibliographique
Résumé
BACKGROUND: Substance use disorders (SUDs) are a significant public health issue in the U.S., with New York State facing rising treatment demands. The National Survey of Substance Abuse and Mental Health Services (N-SUMHSS) offers valuable data on treatment trends across the state. OBJECTIVE: This study analyzes trends in substance use treatment services in New York from 2021 to 2023 using N-SUMHSS data, focusing on facility capacity, medication-assisted treatment (MAT) utilization, and treatment effectiveness. METHODS: Secondary data from the N-SUMHSS (2021-2023) were analyzed, examining facility types, client numbers, and MAT use (methadone, buprenorphine, naltrexone). Descriptive statistics and trend analysis were conducted to assess changes in treatment services. RESULTS: From 2021 to 2023, the number of facilities remained stable, with slight fluctuations. Private non-profit organizations dominated, comprising 69.7% of facilities in 2022-2023. MAT utilization declined in both opioid treatment programs (OTPs) and non-OTP facilities, with methadone usage remaining prevalent. Clients receiving MAT at OTP facilities decreased from 39,534 (9.3%) in 2021 to 34,186 (7.8%) in 2023, while naltrexone use rose. Outpatient services increased to 547 (72.1%), while residential and hospital inpatient facilities saw slight declines. CONCLUSION: MAT utilization has improved, but challenges persist in addressing the growing demand for residential and detox services. Expanding outpatient and inpatient services, along with greater access to MAT, is crucial to improving treatment in New York.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».