Bibliographic record
Abstract
<p class="p1">Dans la documentation sur les soins infirmiers en oncologie, les besoins d’apprentissage des patients atteints de cancer sont largement étudiés et les publications abondent; toutefois, on tient rarement compte de la nécessité d’y inclure la thrombose associée au cancer (Cancer-Associated Thrombosis, ou CAT en anglais). <p class="p1">Les patients cancéreux ont peu d’information sur la thromboembolie veineuse (TEV) et son lien avec le cancer (Aggarwal et al., 2015). En 2015, une étude qualitative menée par le D<sup>r</sup> Simon Noble a révélé que les patients cancéreux sous chimiothérapie à risque élevé en savaient davantage sur la neutropénie fébrile que sur les signes et symptômes de la thromboembolie veineuse, malgré le risque plus élevé de la seconde dans l’absolu. Chose préoccupante puisque la thrombose associée au cancer est la première cause de décès des patients sous chimiothérapie. En général, les patients et leur famille, mais aussi les fournisseurs de soins de santé, sont peu informés sur la thrombose associée au cancer. La recherche indique que beaucoup de patients en ayant reçu un diagnostic ont eu l’impression que leur médecin traitant manquait de connaissances sur le sujet puisqu’il avait considéré d’autres diagnostics avant de poser celui de la thrombose, et ce, malgré l’apparition de signes et la présence des symptômes classiques de la maladie thromboembolique veineuse (Noble et al., 2015). <p class="p2">Survenant fréquemment, la thromboembolie veineuse est une complication grave chez les patients cancéreux : c’est en fait la première cause de morbidité et la deuxième cause de mortalité pour eux (Noble et al., 2015). Malgré son importance, les patients, les proches aidants et les fournisseurs de soins de santé en savent peu sur la thrombose associée au cancer. Le présent article est le premier d’une série intitulée « Prévenir la thrombose » qui vise à sensibiliser les infirmières en oncologie afin d’améliorer l’enseignement aux patients sur cet important sujet.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.018 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".