MétaCan
Menu
Retour à la cohorte
Enregistrement W4387081415 · doi:10.1093/clinchem/hvad097.644

B-325 Retrospective Study Comparing Immunoassay Screen and Mass Spectrometry Confirmation Results in an Opioid Dependant Population

2023· article· en· W4387081415 sur OpenAlexaff
Michael J. Bennett, Jim Luong, David W. Kinniburgh

Notice bibliographique

RevueClinical Chemistry · 2023
Typearticle
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiqueForensic Toxicology and Drug Analysis
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésOxymorphoneImmunoassayOxycodoneMedicineFentanylUrineBenzoylecgonineMass spectrometryContext (archaeology)HydromorphoneOpioidPopulationChromatographyInternal medicineChemistryPharmacologyImmunologyAntibody

Résumé

récupéré en direct d'OpenAlex

Abstract Background Retrospective analysis of clinical laboratory data is employed to monitor the performance of instruments, evaluate test utilization and support operational changes. Urine drug testing in the context of opioid use disorder is used to assist in the management of patients. This testing is typically performed by an immunoassay screen followed by mass spectrometry confirmation. Immunoassay screens identify drug class and can cross-react with off-target substances to produce false-positive or false-negative results. Mass spectrometry confirmations provide more sensitive and specific results. The objective of this study was to utilize historical data to determine the concordance between immunoassay and mass spectrometry results from patients in an opioid dependency treatment program. Methods Urine drug screening results spanning a 3-year period (2020–2023) were mined to identify samples that screened positive for amphetamines, benzodiazepines, opiates, fentanyl/carfentanil, oxycodone/oxymorphone, and cocaine. These results were compared to the mass spectrometry confirmation results. The immunoassay results were collected on an Olympus AU480 instrument and the mass spectrometry results were collected using an in-house developed dynamic multiple reaction monitoring method on both Agilent 6470 and 6460 triple quadrupole instruments. Results Of the 15 850 urine drug records reviewed, 28.8% screened positive for amphetamines, 23.5% screened positive for benzodiazepines, 14.2% screened positive for opiates, 23.8% screened positive for fentanyl/carfentanil, 4.2% screened positive for oxycodone/oxymorphone, and 11.2% screened positive for cocaine. Of the amphetamine class samples that screened positive, 95.3% confirmed positive and 4.7% confirmed negative. Of the benzodiazepine class samples that screened positive, 50.8% confirmed positive and 49.2% confirmed negative. Of the opiate class samples that screened positive, 79.8% confirmed positive and 20.2% confirmed negative. Of the fentanyl/carfentanil samples that screened positive, 97.2% confirmed positive and 2.8% confirmed negative. Of the oxycodone/oxymorphone samples that screened positive, 58.5% were confirmed positive and 41.5% confirmed negative. Of the cocaine samples that screened positive, 99.8% confirmed positive and 0.2% confirmed negative. Conclusion Our findings determined there were discrepancies among all classes when comparing immunoassay vs mass spectrometry results. There was good agreement between immunoassay and mass spectrometry results in the detection of fentanyl/carfentanil, cocaine and amphetamines. The differences between methods were most significant in the benzodiazepine, opiate and semi-synthetic opioid classes. This may be due to different cut-off levels between methods, specificity limitations of immunoassays and/or changing drug use patterns resulting in mass spectrometry multiple reaction monitoring false negative results.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,902

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,133
Tête enseignante GPT0,474
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical ChemistryMême sujetForensic Toxicology and Drug AnalysisTravaux en français237 207