Étude qualitative sur les facteurs qui entravent et ceux qui facilitent le travail des médecins de famille devant prescrire des opioïdes contre la douleur chronique non cancéreuse
Bibliographic record
Abstract
Introduction Les méfaits causés par les analgésiques opioïdes sur ordonnance constituent un grave problème de santé publique à l’échelle internationale. Des statistiques récentes font état d’une augmentation du nombre de décès associés à la prise d’opioïdes à travers le Canada. Or les médecins de famille canadiens semblent ne pas disposer des ressources suffisantes pour prescrire efficacement et sans risque les analgésiques opioïdes destinés au traitement de la douleur chronique non cancéreuse (DCNC). Méthodologie Au moyen d’entrevues semi-structurées avec huit médecins de famille en Nouvelle-Écosse, nous avons réalisé une étude qualitative sur les facteurs qui entravent et ceux qui facilitent une prescription d’opioïdes efficace et sans risque par les médecins de famille aux patients atteints de DCNC. Une analyse thématique a permis de dégager ces facteurs. Résultats Les médecins de famille interrogés ont mis en évidence plusieurs enjeux posés par la prescription d’analgésiques opioïdes pour le traitement de la DCNC : la complexité du traitement de la DCNC, le risque de dépendance et les outils de prescription, la formation des médecins, la relation médecin-patient, le suivi et le contrôle des ordonnances et enfin certains facteurs systémiques. Conclusion Les médecins de famille disent ne pas recevoir de soutien adéquat quant à la prescription d’analgésiques opioïdes pour le traitement de la DCNC et pensent qu’une approche intégrée et coordonnée visant à soutenir les médecins prescripteurs pourrait les aider.
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 | 0.026 | 0.086 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
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".