Opioid Use Disorder Education in the Family Medicine Clerkships: A CERA Study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Opioid use disorder (OUD) education is crucial early in medical education in response to the overwhelming number of drug overdose deaths and the stigma attached to addiction among health care professionals. Our study aimed to examine factors associated with teaching about OUD and to determine whether OUD education has increased over the past several years. METHODS: Data were collected through a cross-sectional survey of 173 US and Canadian family medicine clerkship directors in summer 2024. Survey items included clerkship directors' perceived importance, presence of current OUD education, and perceived barriers to OUD education. RESULTS: The response rate was 52.6% (91/173). Nine participants did not complete the addiction medicine questions and were excluded from analyses. Nearly three-fourths of clerkship directors thought teaching OUD was important, but 45% of clerkships did not include any OUD education. Approximately one-third of clerkship didactics covered screening, brief intervention, and referral to treatment (SBIRT; 40.2%); diagnosis of OUD (42.7%); pharmacological treatment of OUD (37.8%); and opioid overdose prevention education (31.7%). Lack of time in the curriculum was the most commonly perceived barrier to OUD education in clerkship. CONCLUSIONS: Clerkships were more likely to include OUD education if clerkship directors perceived OUD education as important or had faculty with expertise to teach OUD. Our survey revealed an increase in the inclusion of OUD education in family medicine clerkships over the past several years. Designing the addiction medicine curricula specifically for medical student education may contribute to enhancing OUD education.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».