Lait humain provenant d’une banque de dons ou acheté en ligne?
Bibliographic record
Abstract
QUESTION: Une de mes patientes m’a demandé si elle pourrait se procurer du lait humain par Internet pour allaiter son nourrisson s’il le fallait. L’usage de lait humain provenant d’une banque de dons est-il plus sécuritaire que son achat en ligne? RÉPONSE: L’Organisation mondiale de la Santé et l’American Academy of Pediatrics recommandent d’utiliser des dons de lait humain comme choix à privilégier lorsque le lait maternel n’est pas disponible. Cependant, la Société canadienne de pédiatrie n’approuve pas le partage de lait humain non traité. Le lait humain entreposé dans les banques de lait diffère de celui qu’on peut se procurer par Internet en raison du processus rigoureux de sélection des donneuses, des fréquentes inspections de la qualité, des procédés de transport règlementés et du processus de pasteurisation conforme aux directives établies par l’Agence canadienne d’inspection des aliments. La plupart des échantillons achetés en ligne contiennent des bactéries à gram négatif ou comptent au total plus de 10(4) unités formant colonies de bactéries aérobiques par millilitre; ils renferment aussi en moyenne au décompte total plus de bactéries aérobiques, de bactéries à gram négatif, de coliformes et de Staphylococcus spp que les échantillons des banques de lait. La croissance de la plupart des espèces de bactéries est associée au nombre de jours en transit, ce qui porte à croire que les conditions de collecte, d’entreposage et de transport sont médiocres pour le lait acheté en ligne.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.029 | 0.006 |
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".