Is expected substance type associated with timing of drug checking service utilization?: A cross-sectional study
Notice bibliographique
Résumé
Abstract Background Drug checking is a harm reduction intervention aiming to reduce substance use-related risks by improving drug user knowledge of the composition of unregulated drugs. With increasing fears of fentanyl adulteration in unregulated drugs, this study sought to examine whether the expected type of drug checked (stimulant vs. opioid) was associated with timing of drug checking service utilization (pre-consumption vs. post-consumption). Methods Data were derived from drug checking sites in British Columbia between October 31, 2017 and December 31, 2019. Pearson’s Chi-square test was used to examine the relationship between expected sample type (stimulant vs. opioid) and timing of service utilization. Odds ratios (OR) were calculated to assess the strength of this relationship. The Mantel–Haenszel (MH) test was used to adjust for service location. Results A total of 3561 unique stimulant and opioid samples were eligible for inclusion, including 691 (19.40%) stimulant samples; and 2222 (62.40%) samples that were tested pre-consumption. Results indicated a positive association between testing stimulant samples and testing pre-consumption (OR = 1.45; 95% CI 1.21–1.73). Regions outside of the epicenter of the province’s drug scene showed a stronger association with testing pre-consumption (OR MH = 2.33; 95% CI 1.51–3.56) than inside the epicenter (OR MH = 1.33; 95% CI 1.09–1.63). Conclusion Stimulant samples were more likely to be checked pre-consumption as compared with opioid samples, and stimulant samples were more likely to be tested pre-consumption in regions outside the epicenter of the province’s drug scene. This pattern may reflect a concern for fentanyl-adulterated stimulant drugs.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».