Clinical perspectives on the menstrual pictogram for the assessment of heavy menstrual bleeding
Notice bibliographique
Résumé
Heavy menstrual bleeding (HMB) has an estimated prevalence of 18-32% but is known to be under-reported due to poor recognition and estimation of menstrual blood loss (MBL). HMB can negatively impact quality of life, affecting social interactions, work productivity and sexual life. Abnormal menstrual bleeding may have an underlying structural or systemic cause, such as endometrial and myometrial disorders; however, for some, there is no identified pathological cause. Several methods are available for assessing MBL, including the alkaline hematin (AH) method and the menstrual pictogram (MP). The AH method is considered to be the most accurate way to monitor MBL; however, it is associated with inconvenience and expense, therefore limiting its value outside of research. The MP requires the user to select an icon from a chart that reflects the appearance of a used sanitary product; the icon is associated with a blood volume that can be used to determine MBL. Validation studies have demonstrated that the results of the MP and AH method are well correlated, showing that the MP can measure MBL with sufficient accuracy. Additionally, the MP is more convenient for users, less expensive than the AH method, may be used in regions where the AH method is unavailable and may also be used as part of a digital application. Overall, the MP offers a convenient approach to monitor MBL both in research and clinical practice settings.
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 | 0,004 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,013 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,008 |
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 ».