Responding to changes in the unregulated drug supply: the need for a dynamic approach to drug checking technologies
Notice bibliographique
Résumé
Drug checking services provide individuals who use drugs with the ability to test samples of their drugs for the presence of highly potent substances. However, there has been recent concern about whether the existing repertoire of point-of-care drug checking technologies, such as immunoassay strips and Fourier-transform infrared spectroscopy (FTIR), are adequate in identifying substances in the unregulated drug supply. Carfentanil and nitazene opioids, substances that are even more potent than fentanyl in vitro, have been found in the unregulated supply in North America and pose a challenge to our existing drug checking strategy. For example, etizolam has recently permeated the unregulated drug supply in North America, and has demonstrated the ability to evade point-of-care drug checking technologies. In response to the incessantly changing nature of the unregulated supply, we argue that drug checking technologies and service delivery models must continuously adapt alongside constantly changing drug markets. We provide two examples of emerging technologies, paper spray-mass spectrometry and surface-enhanced Raman spectroscopy, which address many of the shortcomings of existing technologies. For both technologies, we discuss their feasibility, where they can be offered, their advantages, and how they address gaps in our existing technologies. We contend that these technologies, and other emerging technologies, can be integrated into a future approach to drug checking that flexibly uses different technologies and service delivery methods to adapt to changes in the drug supply.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».