Estratégia para rastreamento precoce de demência
Bibliographic record
Abstract
Objetivo: Avaliar a abordagem de alunos de medicina entre seus familiares no rastreamento de detecção precoce de demência. Métodos: Estudo analítico e observacional. A amostra foi de conveniência envolvendo 41 familiares. Foi utilizado o Mini-Exame do Estado Mental (MEEM). Os parâmetros das variáveis quantitativas foram expressos por suas médias e desvios-padrão e medianas. Os pmearâmetros das variáveis qualitativas foram expressos por suas frequências. Teste exato de Fisher foi utilizado entre as frequências dos níveis de escolaridade e o escore do MEEM. Foi considerado p ≤ 0,05 para rejeição da hipótese de nulidade. O projeto foi aprovado pelo Comitê de Ética de Pesquisa em Seres Humanos. Resultados: A média das idades foi de 67,7 ± 7,2 anos. O tempo de escolaridade foi categorizada em: 4 (9,7%) com < 8 anos, 9 (22%) com > 8 e <11 anos e 28 (68,3%) com > 11 anos. Entre os participantes com nível de escolaridade < 8 anos, o escore de MEEM foi normal em três casos (75%), diminuído em um caso (25%); entre os com nível de escolaridade entre >8 e <11 anos, quatro foram normais (44,4 %), diminuído em cinco (55,6%); entre os com o nível de escolaridade >11 anos, 20 (71,4%) foram normais e oito (28,6%) foram diminuídos. Para o tamanho amostral, não foi observado associação entre níveis elevados de educação (>11 anos) e níveis inferiores de escolaridade (p=0,3072). Conclusões: A estratégia da abordagem de alunos de medicina no rastreamento de demência entre familiares necessita ser mais estimulada, podendo levar a maior interação social e familiar no ambiente em que vivem.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".