MétaCan
Menu
Retour à la cohorte
Enregistrement W4389225548 · doi:10.36973/jkih.v10i1.339

PENGEMBANGAN ASUHAN KOMUNITAS PADA LANSIA DENGAN PENDEKATAN KOMPLEMENTER PENGGUNAAN REBUSAN DAUN ALPUKAT DALAM PENURUNAN HIPERTENSI

2022· article· id· W4389225548 sur OpenAlexaff
Meda Yuliani, Iceu Mulyati, Yuni Mauliany, Susilawati Susilawati, Nabila Berliana, Amirah Salwa, Lika Nurfiati

Notice bibliographique

RevueJURNAL KESEHATAN INDRA HUSADA · 2022
Typearticle
Langueid
DomaineHealth Professions
ThématiqueSports and Physical Education Research
Établissements canadiensEncana (Canada)WiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineGynecology

Résumé

récupéré en direct d'OpenAlex

Tekanan darah tinggi kronis (hipertensi) adalah penyakit yang umum di kalangan lansia. Salah satu penyebab kematian yang paling umum adalah hipertensi. Hipertensi merupakan salah satu kesulitan pada lansia karena menimbulkan dan merupakan faktor gagal jantung dan penyakit jantung koroner. Baik metode farmakologis dan non-farmakologis dapat digunakan untuk mengobati hipertensi. Rebusan daun alpukat non-farmakologis telah digunakan dalam penelitian selama bertahun-tahun dan sudah tersedia. Dalam asuhan ini, rebusan daun alpukat digunakan sebagai pengobatan tambahan untuk lansia dengan hipertensi.
 Untuk memulai, proses evaluasi, pemeriksaan, dan pemberian perawatan komplementer digunakan bersama dengan pendekatan studi kasus dengan desain deskriptif.
 Terdapat penurunan tekanan darah pada lansia setelah intervensi rebusan daun alpukat dibandingkan dengan rata-rata sebelum intervensi 171/101mmHg dan rata-rata pasca intervensi 148/89mmHg. Penurunan rata-rata adalah 23/12 mmHg. Rebusan daun alpukat membantu menurunkan tekanan darah.
 Rebusan daun alpukat ini diharapkan dapat digunakan sebagai antihipertensi dan sebagai pengobatan sendiri untuk menurunkan tekanan darah melalui penelitian selanjutnya pada rebusan daun alpukat ini di bidang medis.
 

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,124
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,005
Charge utile insuffisante (le modèle a refusé de juger)0,0990,002

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 Opus0,085
Tête enseignante GPT0,401
Écart entre enseignants0,316 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJURNAL KESEHATAN INDRA HUSADAMême sujetSports and Physical Education ResearchTravaux en français237 207