ZNS-Vaskulitiden und entzündliche Hirnerkrankungen bei Kindern und Jugendlichen
Bibliographic record
Abstract
Zusammenfassung Schlaganfälle, Halluzinationen, Bewegungsstörungen und Krampfanfälle gehörten in der Vergangenheit nicht typischerweise zum Alltag der Kinderrheumatologen. Dies ändert sich gerade vielerorts. Unser Wissen um spezifische Entzündungsmechanismen und deren gezielte medikamentöse Behandlung macht uns zu wichtigen Partnern der Kinderneurologen, wenn es darum geht, Kinder und Jugendliche mit entzündlichen Hirnerkrankungen zu diagnostizieren und zu behandeln. Eine Entzündung des Gehirns kann im Rahmen einer Infektion, postinfektiös oder bei einer im Kindesalter eher selteneren systemischen Autoimmunerkrankung, wie beispielsweise einem systemischen Lupus erythematodes (SLE) oder einer Sarkoidose, auftreten. Ungleich häufiger jedoch erkranken vormals komplett gesunde Kinder und Jugendliche an einer isolierten oder primären Entzündung des Gehirns. Zielstrukturen können zerebrale Gefäße, Neurone oder spezifische Oberflächenrezeptoren des Gehirns sein. Die Entzündung hat schwere neurologische oder psychiatrische Symptome zur Folge, die im Entzündungsstadium selbst reversibel sind. Nur die frühzeitige Diagnose und gezielte Behandlung im interdisziplinären Team kann eine irreversible Hirnschädigung verhindern.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".