MétaCan
Menu
Retour à la cohorte
Enregistrement W3199645492 · doi:10.21203/rs.3.rs-31100/v1

Optimizing our patient’s entropy production as therapy? Hypotheses originating from the physics of physiology

2020· preprint· en· W3199645492 sur OpenAlexafffund
Andrew Ervine Seely

Notice bibliographique

RevueResearch Square (Research Square) · 2020
Typepreprint
Langueen
DomaineChemistry
Thématiquethermodynamics and calorimetric analyses
Établissements canadiensNortel (Canada)
Organismes subventionnairesUniversity of Ottawa
Mots-clésEntropy productionEntropy (arrow of time)ConsciousnessStatistical physicsFractalComputer sciencePhysicsMathematicsArtificial intelligencePsychologyThermodynamicsNeuroscience

Résumé

récupéré en direct d'OpenAlex

Abstract Physical laws dictate that energy is preserved; yet energy gradients irreversibly dissipate, thus producing entropy. As living complex non-equilibrium systems, humans must produce entropy continuously over time to create healthy internal emergent order. Entropy production is measured by heat production divided by temperature. Several hypotheses are presented. First, human entropy production is due to both metabolism and consciousness, dissipating energy and information gradients. Second, the physical drive for maximal entropy production is responsible for spontaneous formation of fractal multi-scale self-similar structures in time and space, ubiquitous and essential for health. Third, the evolutionary drive for enhanced function and adaptability selects states with both robust basal and maximal entropy production (i.e. the capacity to augment it when required). Last, targeted focus on optimizing our patients’ entropy production will improve health and clinical outcomes. These hypotheses have implications for understanding health, metabolism and consciousness, and offer novel clinical treatment strategies.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,152
Tête enseignante GPT0,407
Écart entre enseignants0,256 · 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'étudeThéorique ou conceptuel
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

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueResearch Square (Research Square)Même sujetthermodynamics and calorimetric analysesTravaux en français237 207