Les plantes diurétiques à l’officine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recently, patients have been looking for complementary and natural therapies, particularly herbal medicine. Faced with self-medication and the multitude of advices found on the Internet, the pharmacist is an important consulting partner when delivering plants. In this thesis, nineteen medicinal plants are listed in the French Pharmacopoeia (XIth Edition): birch (Betula pendula L.), borage (Borrago officinalis L.), heather (Erica cinerea L.), buchu (Barinus betulina Thunb.), restharrow (Oninis spinosa L.), quack grass (Elytrigia repens L.), juniper (Juniperus communis L.), sour cherry (Prunus cerasus L.), orthosiphon (Orthosiphon stamineus Benth.), nettle (Urtica dioïca L.), mouse-ear hawkweed (Hieracum pilosella L.), dandelion (Taraxacum officinale Weber), horsetail (Equisetum arvense L.), elderberry (Sambucus nigra L.), linden (Tilia sp.), goldenrod (Solidago virgaurea L.), and the Canada fleabane (Erigeron canadensis L.). These plants have diuretic properties and are used in the case of water retention, slimming regimen or urinary lithiasis. For an easy use in the pharmacy, they are presented on an indication board. Following this infatuation, the chemist is often the first person consulted by patients to take medicinal advices. He must propose the most adapted plant(s), ensuring there is no contra-indication to use them, to verify the lack of drug interactions, to be able to know the limits of his advices and to recall the rules for a good use.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle