Bibliographic record
Abstract
En France, le système de santé est basé sur un principe d’universalité et les indicateurs macroscopiques y sont satisfaisants. Toutefois, des inégalités de santé persistent touchant particulièrement les populations vulnérables. Celles-ci peuvent voir s’ériger des barrières financières, institutionnelles ou cognitives qui entravent leur accès aux soins et participent à l’altération de leur état de santé. L’exercice de la médecine d’urgence n’est pas exempté des problématiques soulevées par ces inégalités sociales de santé qu’il s’agisse : du rôle des services d’urgence dans la sanctuarisation de l’accès aux soins ; des pathologies urgentes plus fréquentes ou plus graves observées parmi les populations les plus vulnérables ; de la qualité des soins administrés qui est parfois suboptimale. La première partie de cet article indique ce qui définit la vulnérabilité d’une population puis il présente les spécificités des prises en charge aux urgences. Il détaille ensuite les barrières à l’accès aux soins qui persistent ainsi que les répercussions du renoncement sur le recours aux services d’urgence. Enfin, l’exemple du contexte actuel de la pandémie du Sars-Cov2 permet de mettre en lumière les nombreuses interactions qui existent entre vulnérabilité et état de santé. Les questions de l’organisation de l’offre de soins en amont des urgences et des conditions réelles de son accessibilité pour tous sont des éléments fondamentaux qui impactent la pratique de la médecine d’urgence. Il appartient aussi aux professionnels de s’en saisir et de mobiliser avec force les décideurs publics sur ces sujets.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".