Grossesses après chirurgie bariatrique : recommandations pour la pratique clinique
Bibliographic record
Abstract
L’évolution des grossesses après chirurgie bariatrique apparaît favorable avec une diminution des risques de diabète gestationnel, d’hypertension et de macrosomie fœtale, mais une augmentation des risques de petit poids de naissance pour l’âge gestationnel et de prématurité des nouveau-nés. Sont également reportées des carences nutritionnelles plus oumoins sévères chez les mères et les nouveau-nés, ainsi que des complications chirurgicales de pronostic parfois défavorable. BARIA-MAT est un groupe de travail multidisciplinaire, proposant des recommandations de bonnes pratiques cliniques, élaborées selon la méthodologie de la Haute Autorité de santé. Les questions abordées par le groupe ont inclus : délai entre chirurgie et grossesse, choix de contraception, technique chirurgicale privilégiée pour les femmes en âge de procréer, spécificité du parcours obstétrical, modalités de dépistage des carences et supplémentations nutritionnelles, dépistage et gestion du diabète gestationnel, prise de poids optimale, ajustement de l’anneau gastrique, conduite à tenir devant une suspicion d’urgence chirurgicale, soins spécifiques pendant la période post-partum et pour les nouveau-nés.
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 | 0.031 | 0.107 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.006 | 0.008 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
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".