Diverse psychotropic substances detected in drug and drug administration equipment samples submitted to drug checking services in Toronto, Ontario, Canada, October 2019–April 2020
Notice bibliographique
Résumé
BACKGROUND: The overdose crisis has generated innovative harm reduction and drug market monitoring strategies. In Toronto, Ontario, Canada, a multi-site drug checking service (DCS) pilot project was launched in October 2019. The project provides people who use drugs with information on the chemical composition of their substances, thereby increasing their capacity to make more informed decisions about their drug use and avoid overdose. DCS also provides real-time market monitoring to identify trends in the unregulated drug supply. METHODS: Sample data were obtained through analyses of drug and used drug administration equipment samples submitted anonymously and free of charge to DCS in downtown Toronto from October 10, 2019, to April 9, 2020, representing the first six months of DCS implementation. Analyses were conducted in clinical laboratories using liquid chromatography- and/or gas chromatography-mass spectrometry (LC-MS, GC-MS) techniques. RESULTS: Overall, 555 samples were submitted, with 49% (271) of samples that were found to contain high-potency opioids, of which 87% (235) also contained stimulants. Benzodiazepine-type drugs were found in 21% (116) of all samples, and synthetic cannabinoids in 1% (7) of all samples. Negative effects (including overdose, adverse health events, and extreme sedation) were reported for 11% (59) of samples submitted for analysis. CONCLUSIONS: Toronto's DCS identified a range of high-potency opioids with stimulants, benzodiazepine-type drugs, and a synthetic cannabinoid, AMB-FUBINACA. This information can inform a range of evidence-informed overdose prevention efforts.
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 | 0,000 |
| 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) | 0,009 | 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 ».