MétaCan
Menu
Retour à la cohorte
Enregistrement W2942929741 · doi:10.13034/jsst.v11i1.439

Weighing In The Evidence: Lifestyle Modification In The Treatment Of Atrial Fibrillation

2019· article· en· W2942929741 sur OpenAlexvenueaboutno aff
K.-S. Hong

Notice bibliographique

RevueJournal of Student Science and Technology · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueAtrial Fibrillation Management and Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCardiologyAtrial fibrillationInternal medicineHeartbeatMedicineSinoatrial nodeAtrium (architecture)Heart ratePopulationBlood pressure

Résumé

récupéré en direct d'OpenAlex

Imagine if you suddenly felt your heart “jumping out of your chest” – this is the case for an estimated 1 in 4 Canadians who experience this rapid and chaotic heartbeat characteristic of atrial brillation (AF). The healthy heart works continuously to beat regularly under the control of electrical impulses originating from the sinoatrial (SA) node, the heart’s natural pacemaker. In AF, electrical impulses do not originate in the SA node, but rather, from a different part of the atrium or in nearby pulmonary veins. These abnormal electrical signals become rapid and disorganized, radiating throughout the atrial walls in an uncoordinated manner. This can cause the walls of the atrium to quiver, or brillate, which results in irregular electrical transmission from the atria to the ventricles. A normal heart rate at rest should be between 60-100 beats per minute at rest, but in AF, it can be considerably higher than 140 beats per minute1. Affecting more than 33 million individuals worldwide, AF is the most common sustained irregular heart rhythm encountered in clinical practice2. The progression and maintenance of AF results in adverse events, including an increase in hospitalizations and a ve-fold increase in the risk of stroke3. Given this evidence and anticipated increases in life expectancy within the next several decades, there are clear public health implications for the aging Canadian population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,026
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,400
Écart entre enseignants0,324 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Student Science and TechnologyMême sujetAtrial Fibrillation Management and OutcomesTravaux en français237 207