Time-Series Analysis of Fentanyl Concentration in the Unregulated Opioid Drug Supply in a Canadian Setting
Notice bibliographique
Résumé
North America has been contending with an unregulated street drug supply in which opioids are often adulterated with illicitly manufactured fentanyl. The unpredictability of composition may result in an increased risk of overdose due to unexpected elevated concentrations of the high-potency drug. Using data from a community-based drug-checking project, we evaluated trends in fentanyl concentration of illicit opioids in the context of an overdose epidemic. Using a quantification model for fentanyl hydrochloride, historical Fourier-transform infrared spectra from opioid drug-checking samples were analyzed to determine fentanyl concentrations. Median monthly fentanyl concentrations were plotted, and polynomial and autoregressive time-series analyses were performed to examine trends over time. A total of 3,621 fentanyl-positive samples were included in the study, spanning November 2017 to December 2019. Monthly median fentanyl concentrations ranged from 4.5% to 10.4%. Time-series analyses indicated that a third-degree polynomial model fit the data well (R2 = 0.639), suggesting a cyclical pattern in median concentration over time. Notably, absolute variance in fentanyl concentration decreased by an average 0.1% per month (P < 0.001). Future research should explore the relationship between fentanyl concentration and overdose to identify potential targeted harm-reduction interventions that can respond to changes in observed fentanyl concentration.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».