Notice bibliographique
Résumé
Cerebral palsy is a heterogeneous syndrome that is the most common form of physical impairment encountered in pediatrics. Its heterogeneity, which is apparent in all aspects of the disorder, challenges our attempts to classify it. Several classification structures do exist that seek to further our understanding of the basic mechanisms and needs associated with this entity. The most long-standing classification approach utilizes the neurologic examination to characterize and stratify the predominant qualitative pattern of motor impairment (i.e., spastic, dyskinetic, ataxic–hypotonic or mixed), and if spastic, the particular limb distribution. The severity of cerebral palsy can be summarized in the domains of gross motor and fine motor skills by the Gross Motor Function Classification System and the Manual Ability Classification System, respectively. Frequently for patients with cerebral palsy, the major health burden may not be that of a neuromotor impairment, but rather that of the associated conditions (i.e., epilepsy, intellectual disability, etc.) affecting the individual. Finally, one may employ a mechanistic approach to stratifying according to imaging results and etiology, which are linked and provide an insight into the pathogenesis and the timing of malformation or acquired injury. While the approaches used in each of these classification schemes are separate, distinct and single axial, inter-relationships are readily apparent. Each of the classification approaches capture only one aspect of a complex disorder and is thus too simplistic. A multimodal classification approach can be employed in a complimentary fashion to provide a more holistic profile of the individual with cerebral palsy.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».