A patient’s informative mistake: niacin is very effective in correcting dyslipidaemia: Table 1
Notice bibliographique
Résumé
A 72-year-old man at high risk for cardiovascular disease, with a history of peripheral vascular disease and type 2 diabetes, presented with lipids above targets despite maximum daily treatment with atorvastatin 80 mg, fenofibrate supra 160 mg daily, and ezetimibe 10 mg. His low density lipoprotein cholesterol (LDL-C) was 2.6 mmol/l, total cholesterol: HDL ratio 5.6, and high density lipoprotein cholesterol (HDL-C) 0.9 mmol/l. Because his lipids were not within target, he was advised to start 2250 mg of niacin in three divided doses daily. For 5 months, he mistakenly took 2250 mg of niacin three times daily, a consumption of 6750 mg/day! The effects on his lipids were: HDL-C increased nearly 100% to 1.7 mmol/l, LDL-C decreased by 50% to 1.3 mmol/l, and cholesterol: HDL ratio decreased by over 50% to 2.1. His excessive intake dramatically demonstrates the positive effect of niacin on lipids. Fortunately he did not suffer adverse effects from taking more than the recommended limit of 3000 mg/day.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,006 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».