An overview of forensic drug testing methods and their suitability for harm reduction point-of-care services
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Given the current opioid crisis around the world, harm reduction agencies are seeking to help people who use drugs to do so more safely. Many harm reduction agencies are exploring techniques to test illicit drugs to identify and, where possible, quantify their constituents allowing their users to make informed decisions. While these technologies have been used for years in Europe (Nightlife Empowerment & Well-being Implementation Project, Drug Checking Service: Good Practice Standards; Trans European Drugs Information (TEDI) Workgroup, Factsheet on Drug Checking in Europe, 2011; European Monitoring Centre for Drugs and Drug Addiction, An Inventory of On-site Pill-Testing Interventions in the EU: Fact Files, 2001), they are only now starting to be utilized in this context in North America. The goal of this paper is to describe the most common methods for testing illicit substances and then, based on this broad, encompassing review, recommend the most appropriate methods for testing at point of care.Based on our review, the best methods for point-of-care drug testing are handheld infrared spectroscopy, Raman spectroscopy, and ion mobility spectrometry; mass spectrometry is the current gold standard in forensic drug analysis. It would be prudent for agencies or clinics that can obtain the funding to contact the companies who produce these devices to discuss possible usage in a harm reduction setting. Lower tech options, such as spot/color tests and immunoassays, are limited in their use but affordable and easy to use.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle