Desarrollo y validación de un modelo de cuantificación de fentanilo para servicios de verificación de drogas

Área de la Ciencia:

• Química forense
• Ciencia de datos
• Salud pública

Sus antecedentes:

• Los servicios comunitarios de verificación de drogas son vitales para la reducción de daños, pero enfrentan desafíos para cuantificar con precisión las concentraciones de fentanilo.
• El suministro de opioides no regulado exhibe una variabilidad significativa en el contenido de fentanilo, lo que complica el análisis.
• Las tecnologías existentes de verificación de drogas requieren mejoras para la cuantificación precisa de análogos de fentanilo.

Objetivo del estudio:

• Desarrollar el primer modelo de aprendizaje automático capaz de clasificar y cuantificar múltiples análogos de fentanilo en muestras de verificación de drogas comunitarias.
• Mejorar la precisión de las mediciones de concentración de fentanilo en suministros de drogas no regulados.
• Integrar técnicas analíticas avanzadas con herramientas comunitarias de reducción de daños.

Principales métodos:

• Se utilizó la espectroscopia infrarroja por transformada de Fourier (FTIR) para el análisis inicial de muestras de drogas en sitios de reducción de daños.
• El análisis de laboratorio en el Servicio de Análisis de Drogas de Health Canada proporcionó resultados de resonancia magnética nuclear cuantitativa (qNMR) de referencia.
• Se desarrolló y optimizó una canalización de aprendizaje automático, que incluye modelos de regresión de cresta y bosque aleatorio, para la cuantificación de fentanilo y fluorofentanilo.

Principales resultados:

• Una canalización híbrida de aprendizaje automático demostró alta precisión en la estimación de las concentraciones de fentanilo (error medio absoluto=3,74; R²=0,94) y fluorofentanilo (error medio absoluto=1,22; R²=0,97).
• El rendimiento del modelo varió según la composición de la muestra, y diferentes algoritmos se destacaron en muestras de fentanilo puro frente a muestras de análogos mixtos.
• Durante un período de seis años, se realizaron 131 096 verificaciones de drogas, con 2032 muestras únicas analizadas, lo que proporcionó un conjunto de datos sólido para el entrenamiento del modelo.

Conclusiones:

• Los modelos de aprendizaje automático pueden aumentar significativamente las tecnologías tradicionales de verificación de drogas comunitarias para la cuantificación de fentanilo.
• La cuantificación precisa de los análogos de fentanilo es crucial para estrategias efectivas de reducción de daños.
• La comunicación de la incertidumbre de la predicción es esencial para la implementación responsable de estas herramientas avanzadas en entornos de atención primaria.