Surveillance of drug abuse in Hong Kong by hair analysis using LC‐MS/MS
Notice bibliographique
Résumé
The aim of this study is to reveal the habits of drug abusers in hair samples from drug rehabilitation units in Hong Kong. With the application of liquid chromatography-tandem mass spectrometry (LC-MS/MS) technology, a total of 1771 hair samples were analyzed during the period of hair testing service (January 2012 to March 2016) provided to 14 drug rehabilitation units including non-governmental organizations (NGOs), rehabilitation centers, and medical clinics. Hair samples were analyzed for abused drugs and their metabolites simultaneously, including ketamine, norketamine, cocaine, benzoylecgonine, cocaethylene, norcocaine, codeine, MDMA, MDA, MDEA, amphetamine, methamphetamine, morphine, 6-acetylmorphine, phencyclidine, and methadone. The results showed that ketamine (77.2%), cocaine (21.3%), and methamphetamine (16.5%) were the frequently detected drugs among those drug abusers, which is consistent with the reported data. In addition, the usage of multiple drugs was also observed in the hair samples. About 29% of drug-positive samples were detected with multiple drug use. Our studies prove that our locally developed hair drug-testing method and service can be a valid tool to monitor the use of abused drugs, and which could facilitate rehabilitation program management.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».