Detection of contraband drugs in forensic-correctional mental health services using TeknoScan-a gas chromatography tool
Notice bibliographique
Résumé
Substance misuse is a major problem among individuals involved in forensic-correctional mental health services. Urine drug screening detects substance use and deters the entry of contraband into forensic-correctional units, albeit with limitations. For example, a point-of-care urine sample may not be possible and patients can alter or substitute samples to avoid detection, highlighting the role of ancillary tools to detect contraband substances. This study describes the pattern and types of substances detected from environmental samples using a gas chromatographic analyzer (TeknoScan TSI3000) in forensic-correctional populations to model the benefits of similar tools in similar settings. Samples collected over 18 months (January 2020 to June 2021) by trained staff members using the machine were reviewed. During this period, 217 environmental samples were recorded, and 66 (30%) samples were positive for contraband substances, including tetrahydrocannabinol (25%), methamphetamines (19%), and cocaine (16%). Other substances detected include methylene-dioxymethamphetamine, heroin, morphine, lysergic acid diethylamide , tramadol, and methyl-benzoate. Fewer positive samples were detected, especially during the time corresponding with the COVID-19 restriction on the forensic units. TeknoScan was beneficial as an ancillary tool to detect and deter contraband substances. It also provided evidence for risk management. Adequate training is needed for the successful implementation of the tool. • The impact of substance misuse on forensic-correctional inpatients (F-CIP) is huge. • Conventional methods of detecting substance misuse among F-CIP are limited. • TeknoScan was successfully used as an ancillary tool for drug screening among F-CIP. • TeknoScan has a promising role for drug screening in F-CIP but more research is needed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».