Beyond a spec: assessing heterogeneity in the unregulated opioid supply
Notice bibliographique
Résumé
BACKGROUND: Drug checking services aim to provide compositional information for the illicit drug supply and are being employed in public health responses to extreme rates of overdose associated with fentanyl within street opioids. The technologies used within these services range from basic qualitative tests, such as immunoassay test strips, to comprehensive quantitative analyses, such as mass spectrometry. In general, there is concern that heterogeneity of a drug mixture adds significant uncertainty when using drug checking results based on a small subsamples. The presence of hot spots of active drug components in this context is often termed the 'chocolate chip cookie effect'. Establishing the limitations of the service are essential for interpretation of the results. METHODS: , 50-100 mg each) on quantitative fentanyl results determined from testing with paper spray mass spectrometry. RESULTS: Using descriptive statistics, such as relative standard deviation and interquartile range, the results demonstrate varied distributions of fentanyl concentrations within a single drug batch. However, the presence of hot spots, defined as outliers, were relatively rare. CONCLUSIONS: This study found that the variability in fentanyl concentration from drug heterogeneity and sampling is greater than that attributed to the analytical technique. On a practical level, this provides data to help guide communication of limitations of drug checking services, supporting the aim of trust and transparency between services and people who use drugs. However, if drug checking services continue to be restricted from fully engaging with the reality of manufacturing, buying, selling, mixing and dosing practices, the accuracy, usefulness, and impact will always be limited.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».