Retrospective Analysis of Synthetic Cannabinoid Metabolites in Urine of Individuals Suspected of Driving Impaired
Notice bibliographique
Résumé
Identification and analysis of synthetic cannabinoids (SCs) in biological specimens remains an ongoing challenge for forensic toxicologists. Analytical method development is both resource and time consuming, and falls behind the illicit production of newer SCs. Distinguishing optimal metabolic targets and specific SC use is further complicated by metabolic pathway convergence between different SCs. Gaining further insight into the prevalence and psychopharmacologic role of these drugs in forensic cases, particularly in individuals suspected of driving impaired, is important. The prevalence of SC metabolites (SCMs) in suspects of impaired driving in Washington, DC between June 2012 and August 2013 was studied. A total of 526 urine samples were screened for 12 SCMs by liquid chromatography tandem mass spectrometry in separate duplicate analyses. Nineteen cases (3.6%) confirmed positive for the following SCMs: UR-144 N-pentanoic acid (n = 17;89%), JWH-073 butanoic acid (n = 3;16%), JWH-018 pentanoic acid (n = 3;16%), AM-2201 4-hydroxypentyl (n = 3;16%) and 5-fluoro PB22 3-carboxyindole (n = 1;5%). This study made use of existing analytical methodology to provide insight into the prevalence of synthetic cannabinoid use in DUID cases. Understanding the range and extent of use in these cases can provide valuable information to the forensic community.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».