REPERAGE DES TROUBLES LIES A UNE SUBSTANCE ET TROUBLES ADDICTIFS DANS LE DISCOURS DES PATIENTES DEPENDANTS
Bibliographic record
Abstract
Introduction. La prise en charge médicale des patients ayant un trouble addictif diminue leur morbimortalité et améliore leur qualité de vie. Ils restent insuffisamment repérés en soins premiers malgré les outils disponibles. Analyser le vécu de ce repérage par les patients pourrait permettre un repérage plus précoce. Objectif. L’objectif de cette étude qualitative était d’explorer le vécu du repérage des troubles addictifs chez des patients dépendants. Méthode. Le MINI (McGill Illness Narrative Interview), guide d’entretien semi-dirigé de médecine narrative, a permis d’explorer différents récits de sujets ayant un trouble lié à une substance ou un trouble addictif. Le recrutement s’est fait pour les principales addictions selon une stratégie d’échantillonnage à variation maximale. Les entretiens ont été transcrits et analysés selon la méthode de théorisation ancrée. Résultats. Au début de l’addiction, les huit participants avaient l’impression d’une amélioration de leur vie. Progressivement, la prééminence des problèmes sur les avantages liés à l’addiction menait à l’ambivalence. Cependant, la volonté de changement émergeait réellement au contact d’une « ligne rouge » physique ou psychologique. Elle était renforcée par la perspective que ce changement était possible, mais était réfrénée par la honte. Momentanément, les sujets se dévoilaient ou se mettaient en situation de dévoilement pour être aidés. L’absence de jugement, l’empathie et la valorisation de la capacité du sujet à changer favorisaient alors le repérage au sens d’une rencontre suivie de soins et non d’un diagnostic seul. Discussion. Le concept de « repérage partagé » a émergé de l’analyse du discours des patients. L’exploration des trajectoires addictives a permis de proposer la théorie des « lignes rouges » vécues comme le déclic des patients pour se dévoiler. Valoriser la volonté de changement semble plus efficace pour adhérer à une prise en charge que l’évaluation clinique vécue comme stigmatisante par les patients. La prise en compte de la honte dans une approche transversale des addictions pourrait aider le patient à se dévoiler. Ces résultats seraient à mettre en perspective avec le point de vue des addictologues, et des médecins généralistes.
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 | 0.001 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".