Incidences des technologies de reproduction assistée sur la santé publique
Bibliographic record
Abstract
Objectif Les effets des technologies de reproduction assistée (TRA) sur la santé publique demeurant en grande partie inconnus des chercheurs et des décideurs, il est important d’en analyser la teneur non seulement du point de vue clinique, mais également sur le plan de la santé publique. Méthodes Nous analysons dans cet article huit thèmes généraux touchant la santé publique et associés aux TRA. Ils ont été définis dans le cadre d’un processus qualitatif fondé sur des informateurs clés, ainsi qu’une analyse de la littérature médicale sur le sujet. Recommandations Il faut évaluer les effets à court et à long termes des procédures de TRA sur la santé des femmes subissant ces TRA et sur la santé des enfants qui en sont issus, tout comme il faut évaluer les risques épidémiologiques associés aux dons de gamètes et l’effet sur les services de santé des naissances multiples et prématurées, plus fréquentes du fait de ces technologies. Pour être en mesure de maîtriser ces enjeux, il serait bon de concevoir un système national de surveillance et de renforcer la coopération entre les pays.
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 | 0.008 | 0.050 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 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".