MétaCan
Menu
Retour à la cohorte
Enregistrement W2946265755 · doi:10.20960/nh.2058

[sans titre]

2018· article· en· W2946265755 sur OpenAlexaff
Christiane Leite, Darla Silvério Macedo, Caroline Frehner, César Augusto Taconeli, Hélio Afonso Ghizoni Teive, Maria Eliana Madalozzo Schieferdecker

Notice bibliographique

RevueNutrición Hospitalaria · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth and Lifestyle Studies
Établissements canadiensCentre for Movement Disorders
Organismes subventionnairesnon disponible
Mots-clésIntraclass correlationAnthropometryMathematicsMuscle massMedicineBody weightStatisticsReproducibilityInternal medicine

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Objective: to compare anthropometric equations with one that uses BIA to predict muscle mass in patients with SCA. Methods: 76 patients with ages from 22 to 72 years had their muscle mass estimated by the equation that employs BIA and by five anthropometric equations. The results were analyzed using Pearson's and intraclass correlation coefficient, the paired t test and the Bland-Altman plot. Results: the mean weight and height ± SD were 64.2 ± 14 kg and 1.61 m ± 8 cm, respectively. The equation proposed by Lee et al. (2000), which uses body weight and height measurements, produced the best results in predicting muscle mass, since a significant bias value was not detected, and both a stronger linear correlation (r = 0.94) and higher intraclass correlation (ICC = 0.93). Conclusion: this anthropometric equation can be used to reliably estimate and monitor decreases in muscle mass in people with SCA.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,103
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0070,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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 Opus0,051
Tête enseignante GPT0,474
Écart entre enseignants0,423 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNutrición HospitalariaMême sujetHealth and Lifestyle StudiesTravaux en français237 207