Screening Pregnant Women and Their Neonates for Illicit Drug Use: Consideration of the Integrated Technical, Medical, Ethical, Legal, and Social Issues
Notice bibliographique
Résumé
North America is currently suffering from one of the worst epidemics of illicit drug use in recent history: the opioid crisis. Pregnant women are not immune to the ravages of substance misuse which affects themselves, their pregnancies, and the wider community. The prevalence of drug misuse in pregnancy is not well quantified due to the lack of good validated tests, cooperation between clinicians and scientists developing tests, and consensus as to who should be tested and how results should be used. A wide range of tissues can be tested for drug use, including maternal blood, urine, and hair; neonatal meconium, urine, and hair; and placenta and umbilical cord tissues. Testing methods range from simple spectrophotometry and clinical chemistry to sophisticated analytical HPLC or mass spectrometry techniques. The drive for ever greater accuracy and sensitivity must be balanced with the necessities of medical practice requiring minimally invasive sampling, rapid turnaround, and techniques that can be realistically utilized in a clinical laboratory. Better screening tests have great potential to improve neonatal and maternal medical outcomes by enhancing the speed and accuracy of diagnosis. They also have great promise for public health monitoring, policy development, and resource allocation. However, women can and have been arrested for positive drug screens with even preliminary results used to remove children from custody, before rigorous confirmatory testing is completed. Balancing the scientific, medical, public health, legal, and ethical aspects of screening tests for drugs in pregnancy is critical for helping to address this crisis at all levels.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».