Preparing patients to travel abroad safely. Part 1: Taking a travel history and identifying special risks.
Notice bibliographique
Résumé
OBJECTIVE: To present for family physicians without access to a travel clinic and the Internet the questions to ask about the medical history and itinerary of their patients traveling abroad. To suggest ways to identify and advise high-risk patients. QUALITY OF EVIDENCE: MEDLINE searches from 1990 to November 1998 located 51 articles on travel and diabetes, 37 on travel and chronic obstructive pulmonary disease (COPD), 63 on travel and heart disease, 192 on travel and pregnancy, and 298 on travel with infants or children. Additional searches were undertaken in September 1999. The quality of evidence in most articles is level III (expert opinion). There are no randomized controlled trials of the best advice for family physicians to give travelers. MAIN MESSAGE: A history should include countries to be visited, planned activities, previous tropical travel, medical history, vaccination status, whether children are traveling, pregnancy status, and patients' opinions of the risks and precautions needed. Detailed advice should be given to reduce risks. The main causes of mortality abroad are existing cardiovascular conditions and accidents. High-risk conditions to be identified in travelers are cardiovascular illness, COPD, diabetes, immunodeficiency, pregnancy, and traveling with children. CONCLUSIONS: Patients with cardiovascular illness or COPD should be advised to avoid too much exertion while traveling. Detailed instruction should be given to diabetic patients on how to maintain stable glucose levels, to pregnant women on avoiding malarial infection, and to parents on protecting their children from infections and accidents.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».