Bibliographic record
Abstract
Jüngst berichtete die Zeitschrift ‚The Lancet‘ in einem umfassenden Übersichtsartikel über das Thema ‚Noziplastischer Schmerz‘. Ein internationales Expertenteam mit Erstautorin Mary-Ann Fitzcharles von der ‚Mc Gill University‘ in Montreal und Winfried Häuser von der ‚TU München‘ als Letztautor stellen diese im Jahr 2016 von der ‚International Association for the Study of Pain‘ eingeführte mechanistische Beschreibung von chronischen Schmerzständen, die nicht eindeutig neuropathischem oder nozizeptivem Schmerz zugeordnet werden können, vor. Dabei geht das sechsköpfige Autorenteam nicht nur auf die Phänomenologie des noziplastischen Schmerzes, sondern auch auf das aktuelle Wissen zu neurophysiologischen Grundlagen, Prävalenz, möglichen Ursachen, natürlichem Verlauf, Syndrom-Kategorien, klinischer Evaluation sowie Behandlungsstrategien ein. Fazit Die Arbeit von Fitzcharles et al. hilft, das Verständnis um noziplastischen Schmerz zu verbessern und leitet darüber hinaus auch neue Entwicklungstendenzen und Strategien für zukünftigen Progress ab. Zudem liefert es mit knapp 120 Literaturstellen eine ergiebige Quelle für tiefergehende Recherchen. Publication History Publication Date: 05 January 2022 (online) © 2022. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.062 | 0.018 |
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".