Development and pilot evaluation of an educational session to support sparing opioid prescriptions to opioid naïve patients in a Canadian primary care setting
Notice bibliographique
Résumé
Background: Prescribing rates of some analgesics decreased during the public health crisis. Yet, up to a quarter of opioid-naïve persons prescribed opioids for non-cancer pain develop prescription opioid use disorder. We, therefore, sought to evaluate a pilot educational session to support primary care-based sparing of opioid analgesics for non-cancer pain among opioid-naïve patients in British Columbia (BC). Methods: Therapeutics Initiative in BC has launched an audit and feedback intervention. Individual prescribing portraits were mailed to opioid prescribers, followed by academic detailing webinars. The webinars’ learning outcomes included defining the terms opioid naïve and opioid sparing, and educating attendees on the (lack of) evidence for opioid analgesics to treat non-cancer pain. The primary outcome was change in knowledge measured by four multiple-choice questions at the outset and conclusion of the webinar. Results: Two-hundred participants attended four webinars; 124 (62%) responded to the knowledge questions. Community-based primary care professionals (80/65%) from mostly urban settings (77/62%) self-identified as family physicians (46/37%), residents (22/18%), nurse practitioners (24/19%), and others (32/26%). Twelve participants (10%) recalled receiving the individualized portraits. While the correct identification of opioid naïve definitions increased by 23%, the correct identification of opioid sparing declined by 7%. Knowledge of the gaps in high-quality evidence supporting opioid analgesics and risk tools increased by 26% and 35%, respectively. Conclusion: The educational session outlined in this pilot yielded mixed results but appeared acceptable to learners and may need further refinement to become a feasible way to train professionals to help tackle the current toxic drugs crisis.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».