Klinische evaluatie van whiplashgeassocieerde stoornissen en prognostische factoren
Bibliographic record
Abstract
Auteur(s): VAN WAMBEKE P, LYSENS R, VYNCKE G, GEUSENS E | Samenvatting: Whiplashgeassocieerde stoornissen (WGS) zijn volgens de Quebec Task Force de verschillende klinische beelden die veroorzaakt kunnen worden door een whiplashtrauma. Via een grondige evaluatie met de klemtoon op anamnese en klinisch onderzoek, zo nodig aan te vullen met technische onderzoeken, kunnen deze stoornissen ingedeeld worden volgens ernstgraad. Hoewel een WGS meestal een goedaardig probleem betreft en herstel meestal te verwachten is op middellange termijn, zal ongeveer 50% van de patiënten na 1 jaar nog klachten vertonen en een klein percentage zal langdurig geïnvalideerd blijven. Naast het uitsluiten van een ernstige onderliggende pathologie is één van de belangrijkste opdrachten bij WGS dan ook het voorkomen dat de klachten chronisch worden. Hierin hebben prognostische factoren een centrale rol. Deze bij een individuele patiënt tijdig herkennen en op gepaste wijze via de juiste interventies aanpakken, is cruciaal in de behandeling van WGS.In dit overzicht wordt het classificatiesysteem van WGS toegelicht met specifieke aandacht voor belangrijke symptomen en tekens en wordt een overzicht gegeven van de verschillende prognostische factoren en hun invloed op het herstel van WGS.
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 | 0.017 | 0.077 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".