Drug prevalence in Canadian driving population
Notice bibliographique
Résumé
OBJECTIVE: In 2024 a drug prevalence roadside survey was performed in the Yukon territory of Canada. Volunteer drivers on Wednesday through Saturday nights June through August 2024 were asked to donate oral fluid samples and participate in a questionnaire of drug use. Samples were collected from 294 noncommercial and 220 commercial drivers. Oral fluid sample collection was chosen due to the ease of collection for the donor. Drugs in oral fluid are indicative of those compounds in the blood at the time of collection. Drugs are deposited in oral fluid by diffusion from blood or coating the oral mucosa. Studies have shown similar drug class results when oral fluid and blood are compared (Kelley-Baker et al. 2014). The objective of this paper is to perform additional screening by liquid chromatography time of flight mass spectrometry (LC-QTOF-MS) on all samples for the Tier I and II compounds as suggested by NSC-ADID recommendations. METHODS: collection device and shipped overnight to 9 Delta Analytical, LLC where they were screened for delta 9-tetrahydrocannabinal, amphetamines, cocaine, benzodiazepines, and opiates including fentanyl. Initial screening was performed using a liquid chromatograph tandem mass spectrometer (LC-MS/MS). Screening parameters were fully validated and published in a peer reviewed journal (Coulter et al. 2022). All samples screening positive were confirmed by LC-MS/MS using a second sample aliquot. RESULTS: Additional testing resulted in an increased positivity rate for both driving cohorts. Positivity rates increased to 25% for both groups with polydrug use seen in 7.5% and 4.5% for noncommercial and commercial drivers respectively. Statistical analysis showed THC concentrations were different between the two driving groups. The mean concentration for THC in noncommercial drivers was 29 ng/mL compared to 8 ng/mL for commercial drivers, when high concentration outliers were removed. Additional discoveries of over the counter and antidepressant medication were made using Tier I and II recommendations. CONCLUSION: The NSC-ADID Tier I and II recommendations should be followed when conducting drug prevalence surveys of drivers. LC-QTOF-MS is the recommended tool to conduct drug screening for oral fluid samples.
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 | 0,000 |
| 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) | 0,001 | 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 ».