Prise en charge en soins primaires des troubles liés à l’usage d’alcool et de la consommation à risque: Partie 2 : conseiller, prescrire, connecter.
Bibliographic record
Abstract
OBJECTIF: Présenter aux médecins de soins primaires des renseignements et des conseils fondés sur des données probantes concernant la prise en charge de la consommation à risque et des troubles liés à l’usage d’alcool (TUA). SOURCES DES DONNÉES: Nous avons entrepris une recherche documentaire non systématique à l’aide d’expressions de recherche en anglais, notamment primary care; screening, interventions, management et treatment; et at-risk drinking, alcohol use disorders, alcohol dependence et alcohol abuse; ainsi que des interventions spécifiques en médecine et en counseling pertinentes aux soins primaires. PRINCIPAUX MESSAGES: Dans le cas de patients ayant une consommation à risque ou un TUA, les médecins devraient offrir du counseling et, au besoin (p. ex. les patients dont le TUA est de modéré à grave), prescrire et connecter. Counseling : Offrir à tous les patients ayant une consommation à risque une brève séance de counseling et un suivi. Offrir à tous les patients ayant un TUA des séances de counseling et un suivi constant (fréquent et régulier). Prescrire : Offrir des médicaments (disulfiram, naltrexone, acamprosate) à tous les patients ayant un TUA de modéré à grave. Connecter : Encourager les patients souffrant d’un TUA à suivre des programmes de counseling de jour ou en résidence et d’adhérer à des groupes d’entraide. S’il est indiqué de le faire, demander une consultation pour le patient auprès d’un spécialiste en médecine des dépendances, de services concurrents en santé mentale et en toxicomanie ou une thérapie spécialisée pour traumatisme. CONCLUSION: Les médecins de famille peuvent prendre en charge efficacement les patients qui ont une consommation à risque ou des TUA.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".