Variability in the unregulated opioid market in the context of extreme rates of overdose
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Drug checking uses analytical chemistry technologies to report on the composition of drugs from the unregulated market to reduce substance use-related risks, while additionally allowing for monitoring and reporting of the supply. In the context of an overdose crisis linked to fentanyl, we used drug checking data to examine variability within the illicit opioid supply. METHODS: In this time-series analysis, data was collected from a drug checking service in Victoria, Canada from November 2020 to July 2021. Drugs reported as opioids by participants of the service (N = 454) were analyzed to determine sample composition and paper spray mass spectroscopy was used to quantify low-concentration actives. Interquartile and statistical process control (SPC) analysis, namely standard deviation control charts, were used to examine the degree of variability among samples. RESULTS: Fentanyl was found in 96% of samples reported to be opioids, with a median concentration of 9%. Concentrations varied significantly, with a standard deviation of 7% for fentanyl and where nearly 20% of data points fell outside the control limits. Over half of the samples contained an additional and unexpected active, most commonly etizolam (43% of samples). Etizolam also showed a large level of variability, uncorrelated to that of fentanyl. CONCLUSIONS: Based on our chemical quantification and SPC analysis, a high degree of variability was found in opioid samples from the unregulated market in both the drugs detected and the concentrations of those drugs. This demonstrated the opioid crisis to be less attributable to a bad batch of drugs but rather the general variability found in the unregulated market.
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.
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 | 0,007 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle