Faktor-faktor yang Mempengaruhi Keterlambatan Pasien Stroke Akut Datang ke Lima Rumah Sakit Pemerintah di DKI Jakarta
Notice bibliographique
Résumé
Bahaya penyakit stroke umumnya belum disadari secara luas oleh masyarakat sehingga mengakibatkan kecacatan dan kematian cukup tinggi baik di Indonesia. Disain penelitian potong lintang dengan responden pasien stroke (iskemik maupun hemoragik), serangan pertama maupun berulang yang datang ke lima rumah sakit pemerintah di lima wilayah di DKI Jakarta. Sebanyak 110 subyek digunakan dalam penelitian dan faktor-faktor yang diamati adalah sebaran waktu kedatangan, usia, jenis kelamin, pendidikan, suku, pengetahuan tentang stroke, gejala klinis, jarak tempat tinggal dengan rumah sakit, tingkat pendapatan, pembiayaan. Karakteristik penderita stroke di rumah sakit pemerintah di lima wilayah DKI Jakarta mayoritas usia produktif, laki-laki, tingkat pendidikan rendah, berpendapatan rendah, umumnya berasal dari suku jawa dan lamanya waktu kedatangan ke rumah sakit lebih dari tiga jam. Faktor yang mempercepat kedatangan adalah jarak antara rumah pasien ke rumah sakit.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,006 |
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 ».