Impact des biais introduits lors de différents types de mesures de pression artérielle
Bibliographic record
Abstract
L’hypertension artérielle (HTA) est un facteur de risque cardiovasculaire majeur et touche environ le quart des adultes canadiens. Le diagnostic de la maladie, son traitement et son suivi reposent tous sur la mesure de la pression artérielle. Différentes méthodes de mesure de pression artérielle existent et sont même complémentaires quant à certains aspects. Ces méthodes incluent entre autres la mesure manuelle de la pression artérielle, la mesure de la pression artérielle en clinique – oscillométrique en série (MPAC-OS) et la mesure de la pression artérielle à domicile (MPAD). Afin d’optimiser adéquatement la gestion de l’HTA, les mesures réalisées doivent être exactes et exemptes de biais. Le présent mémoire aborde trois biais potentiels et cherche à quantifier leurs impacts. Ces biais sont : le biais existant entre une mesure manuelle réalisée dans des conditions optimales et la MPAC-OS, le biais existant dans des calendriers de MPAD incomplets et le biais existant entre deux appareils différents de MPAC-OS dans des environnements cliniques différents. Premièrement, il a été démontré que lorsque la mesure manuelle est effectuée de façon protocolaire par une infirmière bien formée, il n’existe pas de différence considérée comme cliniquement significative entre la mesure manuelle auscultatoire et la MPAC-OS. Deuxièmement, il a été démontré dans une seconde étude que les calendriers incomplets de 28 mesures de MPAD ont un impact sur la précision et la validité diagnostique par rapport au calendrier complet. Bien qu’il n’existe pas de limites claires, nos données suggèrent qu’un minimum de 21 mesures sur les 28 mesures possibles offre une précision et une validité diagnostique presque parfaites. Finalement, il a été démontré dans notre dernière étude que deux appareils de MPAC-OS différents, l’Omron HEM-907 et le BpTRU BPM-100 sont relativement équivalents dans les zones de pression artérielle autour des seuils diagnostiques. Par contre, lorsque les pressions estimées sont basses, les appareils tendent à avoir des différences cliniquement et statistiquement significatives.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".