The utility of visual appearance in predicting the composition of street opioids
Notice bibliographique
Résumé
Background With the emergence of unregulated fentanyl, people who use unregulated opioids are increasingly relying on appearance in an effort to ascertain the presence of fentanyl and level of drug potency. However, the utility of visual inspection to identify drug composition in the fentanyl era has not been assessed. Methods We assessed client expectation, appearance, and composition of street drug samples being presented for drug checking. Results of a visual screening test were compared to fentanyl immunoassay strip testing. We calculated sensitivity, specificity and likelihood ratios (LR) to assess the accuracy of the common assumption that samples with a “pebbles” appearance contain fentanyl. Results In total, of the 2502 unregulated opioid samples tested, 1820 (73.5%) appeared as “pebbles”, of which 1729 (95.0%) tested positive for fentanyl for a sensitivity of 75.9% (95% Confidence Interval [CI]: 74.2–77.6) and specificity of 59.4% (95%CI: 57.5–61.3). Although, the odds of samples containing fentanyl was 4.60 (95%CI: 3.47−6.11) times higher among pebbles samples compared to non-pebble samples, the positive LR for pebbles to contain fentanyl was only 1.87 (CI: 1.59–2.19). The negative LR was more useful at 0.41 (95% CI: 0.36−0.46). Conclusions A positive screening test for pebbles is not strongly enough associated to be used as a proxy for detecting fentanyl. While the absence of the appearance of pebbles does somewhat reduce the likelihood of fentanyl being present in a given sample, the high prevalence of fentanyl and fentanyl analogues in the drug supply and the risks of consumption are such that public health providers should routinely advise people who use unregulated opioids against solely relying on visual characteristics of drugs as a harm reduction strategy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».