Creation of a telehealth addiction consultation service at a rural hospital: a case study
Notice bibliographique
Résumé
BACKGROUND: Rural communities face significant barriers to accessing substance use disorder (SUD) treatment, resulting in gaps in care and increased rates of opioid-related overdose deaths. Hospital-based Addiction Consult Services (ACS) improve outcomes for patients with SUD, but rural hospitals often lack these services. CASE PRESENTATION: The Community Addiction Consult (CAC) service was established at a rural hospital in western Massachusetts to address this gap. CAC was designed by a community coalition comprised of a diverse cross-section of the community in which the hospital is based, using opioid-overdose data from the region to inform their decisions. Using a telehealth model, the CAC provided evidence-based treatments to support hospital staff treating patients with opioid use disorder (OUD) or requiring addiction-related care. From April 2023 through December 2023, the CAC provided 36 consults, facilitating increased access to medications for opioid use disorder (MOUD), and enhancing provider confidence in treating people who use drugs (PWUD) and initiating MOUD. An average of 22 patients received MOUD as inpatients monthly, and 11 emergency department patients received MOUD monthly. The CAC team also implemented training sessions, and an anti-stigma campaign to familiarize hospital staff with harm reduction principles and person-centered care strategies to foster a more supportive treatment environment for PWUD. CONCLUSIONS: The Community Addiction Consult service demonstrates the feasibility and efficacy of a telehealth Addiction Consult Service model. Paired with staff trainings, such a model can bridge the gaps in rural addiction care. By leveraging local expertise and data-driven approaches, this model offers a scalable, equitable solution to improving access to substance use disorder treatment in rural settings.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».