Notice bibliographique
Résumé
Minder overlijden door zwangerschap: kloof tussen theorie en praktijk Wereldwijd overlijden jaarlijks zo’n 350.000 vrouwen als gevolg van zwangerschap en bevalling. De meeste van deze vrouwen wonen in arme landen. De belangrijkste oorzaken van de sterfte zijn onveilige abortus, infectie, hoge bloeddruk, hevig bloedverlies en een vastgelopen bevalling. Deze problemen zijn op papier eenvoudig te verhelpen. Maar de praktijk is weerbarstig, zo blijkt uit het promotieonderzoek van Luc van Lonkhuijzen In zijn proefschrift beschrijft hij onder meer een ‘maternity waiting home’, een plek bij het ziekenhuis waar vrouwen aan het eind van de zwangerschap kunnen verblijven zodat ze dichtbij zijn wanneer de bevalling begint. Dit kan een goede oplossing bieden. Toch blijken er vaak nog tal van obstakels te zijn, die vrouwen verhinderen van deze mogelijkheid gebruik te maken. In Malawi had het invoeren van een protocol en een checklist voor de behandeling van eclampsie een positief effect op de kwaliteit van zorg, zo blijkt verder uit het onderzoek. Training van zorgverleners in arme landen vergroot hun kennis wel, stelt van Lonkhuijzen vast, maar of dit ook leidt tot een verandering van gedrag en tot een verbetering van uitkomsten voor moeder en kind, is onduidelijk. In Nederland kan het invoeren van video-evaluatie op de verloskamers wellicht bijdragen aan de kwaliteit van de zorg. Zorgverleners en zwangeren blijken hier positief tegenover te staan. Luc van Lonkhuijzen (Rotterdam, 1970) studeerde geneeskunde te Leiden en werkte vier jaar in Afrika. Hij verrichtte zijn onderzoek aan de afdeling Obstetrie en Gynaecologie van het Universitair Medisch Centrum Groningen (UMCG) en binnen onderzoeksschool SHARE. Hij is thans werkzaam als fellow gynaecologische oncologie aan de universiteit van Toronto, Canada.
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 ».