Comparative study of the analysis of seized samples by GC-MS, 1H NMR and FT-IR spectroscopy within a Night-Time Economy (NTE) setting
Notice bibliographique
Résumé
Rapid analysis of surrendered or seized drug samples provides important intelligence for health (e.g. treatment or harm reduction), and custodial services. Herein, three in-situ techniques, GC-MS, 1H NMR and FT-IR spectroscopy, with searchable libraries, are used to analyse 318 samples qualitatively, using technique specific library-based searches, obtained over the period 24th – 29th August 2019. 259 samples were identified as consisting of a single component, of which cocaine was the most prevalent (n = 158). Median match scores for all three techniques were ≥ 0.84 and showed agreement except for metformin (n = 1), oxandrolone (identified as vitamin K by IR (n = 4)), diazepam (identified as zolpidem by FT-IR (n = 2)) and 2-Br-4,5-DMPEA (n = 1), a structural isomer of 2C-B identified as a polymer of cellulose (cardboard) by FT-IR. 51 samples were found to consist of two or more components, of which 49 were adulterated cocaine samples (45 binary and 4 tertiary samples). GC-MS identified all components present in the 49 adulterated cocaine samples, whereas IR identified only cocaine in 88 % of cases (adulterant only = 12 %). The breakdown for 1H NMR spectroscopy was all components identified (51 %), cocaine only (33 %), adulterant only (10 %), cocaine and one adulterant (tertiary mixtures only, 6 %).
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,004 | 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 ».