Piloting an Addictions Medicine Consultation Team in Kingston, Ontario, Canada: Results of an Inpatient Needs Assessment
Bibliographic record
Abstract
ABSTRACT Objectives: Kingston is mid-sized urban community in South Eastern Ontario which is currently experiencing an increase in the burden of addictions-related morbidity and mortality. Here, we present the results of a preliminary needs assessment for a pilot multidisciplinary inpatient addictions medicine consultation service to address the growing addictions needs of our community. Methods: A 6-item questionnaire was distributed in June 2018 to all inpatient physicians at Kingston General Hospital. The questionnaire asked if they had patients with a substance use disorder (SUD) under their care, their perception of skill to manage their SUD, and perceived need for addiction medicine consultation services. In total, 128 surveys were returned. Categorical and numerical data were tabulated from the survey results. The 30-day revisit and readmission rates for the identified SUD patients from the surveys were compared to rates for other medical patients and psychiatric patients at the hospital. Results: Opioids and alcohol were the most commonly identified substances of abuse, while addictions counselling and community supports were the most commonly requested services. Internal medicine, psychiatry, and surgery were the predominant services requesting addictions consultation. The 30-day revisit and readmission rates for inpatients with SUDs was significantly higher (40.6% and 25.8%, respectively) than the average rate for patients without SUDs. Conclusions: Our needs assessment identified a high need for an inpatient addictions medicine consultation service. Future work will focus on procuring funding and infrastructure for such a service and implementing a multidisciplinary approach to bridging inpatients with community addictions services. Objectifs: Kingston est une communauté urbaine moyenne du sud-est de l’Ontario, qui subit actuellement une augmentation du fardeau de la morbidité et de la mortalité liées à la toxicomanie. Nous présentons ici les résultats d’une évaluation préliminaire des besoins d’un service de consultation pilote multidisciplinaire en médecine de la toxicomanie pour patients hospitalisés afin de répondre aux besoins croissants de notre communauté en matière de toxicomanie. Méthodes: Un questionnaire comprenant six questions a été distribué en juin 2018 à tous les médecins rattachés au Kingston General Hospital. Le questionnaire demandait s’ils avaient sous leurs soins des patients atteints d’un trouble lié à une substance, leur perception des compétences nécessaires pour gérer ce trouble lié à une substance et le besoin perçu de services de consultation en médecine de la toxicomanie. Au total, 128 sondages ont été retournés. Les données nominales et numériques ont été compilées à partir des résultats de l’enquête. Les taux de réexamen et de réadmission après 30 jours pour les patients présentant des troubles liés à l’utilisation de substances identifiés dans les enquêtes ont été comparés aux taux d’autres patients en médecine et de patients en psychiatrie à l’hôpital. Résultats: Les opioïdes et l’alcool étaient les substances d’abus les plus couramment identifiées, tandis que les services de conseil en toxicomanie et de soutien communautaire étaient les services les plus demandés. La médecine interne, la psychiatrie et la chirurgie étaient les services prédominants demandant une consultation en toxicomanie. Les taux de réexamen et de réadmission après 30 jours chez les patients hospitalisés présentant des troubles liés à l’utilisation de substances étaient nettement plus élevés (40,6% et 25,8%, respectivement) que le taux moyen chez les patients ne présentant pas de troubles liés à l’utilisation de substances. Conclusions: Notre évaluation des besoins a révélé un besoin important de services de consultation en médecine des toxicomanies pour patients hospitalisés. Les travaux futurs se concentreront sur l’obtention de financement et l’infrastructure pour un tel service et sur la mise en œuvre d’une approche multidisciplinaire pour relier les patients hospitalisés aux services communautaires de lutte contre les dépendances.
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".