La fin du jeûne?: Mise à jour sur la préparation des patients pour une analyse du cholestérol
Bibliographic record
Abstract
OBJECTIF: Présenter une mise à jour sur l’utilité clinique de ne pas être à jeun par rapport à l’être pour l’analyse des lipides dans le but d’améliorer l’observance par les patients, leur sécurité et l’évaluation clinique dans les tests du cholestérol. QUALITÉ DES DONNÉES: Les recommandations sont classées comme étant fondées sur des données probantes fortes, acceptables ou faibles (conflictuelles ou insuffisantes), selon les classifications adoptées par le Groupe d’étude canadien sur les soins de santé préventifs. MESSAGE PRINCIPAL: Le dépistage de la dyslipidémie comme facteur de risque de coronaropathie et la prescription de médicaments hypolipidémiants sont des activités importantes en soins primaires. De récentes données probantes remettent en question la nécessité d’être à jeun pour la mesure des lipides. Dans des études sur la population, le cholestérol total, le cholestérol à lipoprotéines de haute densité et le cholestérol à lipoprotéines autres qu’à haute densité variaient tous d’en moyenne 2 % à jeun. Pour un dépistage de routine, la mesure du cholestérol sans être à jeun est maintenant une option de rechange raisonnable à l’analyse à jeun. Pour les patients diabétiques, l’exigence d’être à jeun peut représenter un important problème de sécurité en raison des possibilités d’hypoglycémie. Pour la surveillance des triglycérides et du cholestérol à lipoprotéines de basse densité chez les patients qui prennent des médicaments hypolipidémiants, le jeûne devient important. CONCLUSION: Être à jeun pour la détermination routinière des niveaux lipidiques est largement inutile et il est improbable que le jeûne influence la stratification du risque clinique chez le patient, tandis que la mesure sans être à jeun pourrait améliorer l’observance par le patient et sa sécurité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.008 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".