Déploiement d’un algorithme de soins en réponse à la crise des opioïdes
Bibliographic record
Abstract
Contexte : Entre janvier 2016 et juin 2020, le Canada a enregistré plus de 17 602 décès attribuables à des cas de surdose aux opioïdes ; une hausse inquiétante qui incite les professionnels de la santé à réfléchir à des interventions dans les salles d’urgence (SU) qui sont souvent la première ligne de soins pour les personnes à risque de surdose aux opioïdes (RSO).En avril 2018, un groupe pluridisciplinaire de cliniciens a développé le projet SuboxED pour établir un processus de mise en oeuvre d’un algorithme clinique pour la distribution de naloxone intranasale pour les patients à RSO et la prescription de buprénorphine-naloxone (B/n) dans trois SU du Québec pour les patients ayant un trouble de l’usage d’opioïdes (TUO).Méthodologie : Le projet SuboxED se présente en deux phases, la phase pré et mise en oeuvre et la phase d’évaluation clinique. Nous traiterons ici de la première phase qui s’est déroulée du 1er avril 2018 au 30 avril 2019 par un processus conçu en plusieurs étapes progressives : 1) constituer un groupe pluridisciplinaire de cliniciens ; 2) identifier trois SU, des cliniques TAO et les pharmacies partenaires au Québec ; 3) établir les critères d’éligibilité à la naloxone intranasale et la B/n basée sur les recommandations scientifiques pour créer l’algorithme ; 4) former le personnel des SU ; 5) mettre en oeuvre l’algorithme pour les patients RSO.Conclusion : Le projet SuboxED a développé un algorithme clinique en réponse à la crise des opioïdes au Québec et a contribué à la gratuité de la naloxone, tout en relevant de nombreux défis. La mise en oeuvre de tel algorithme est faisable et devrait être déployée largement surtout en temps de pandémie. Une phase de l’évaluation clinique suivra.
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 | 0.010 | 0.042 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".