Incidence de l’anémie et de la carence en fer périopératoire chez les patientes en oncologie gynécologique
Bibliographic record
Abstract
De plus en plus, l’anémie préopératoire est reconnue comme un facteur de risque compromettant la santé des patients, notamment parce qu’elle prolonge l’hospitalisation et augmente le nombre de transfusions sanguines nécessaires. Vu la prévalence accrue de ce problème chez les patientes en gynécologie qui seront opérées, le dépistage doit être précoce afin d’optimiser l’issue de l’intervention chirurgicale. La présente étude quantitative, à devis observationnel rétrospectif, s’est penchée sur le cas de 284 patientes en oncologie gynécologique devant subir une opération. L’étude a été réalisée pendant la période du 1er janvier au 31 décembre 2014 dans le but de déterminer la fréquence de l’anémie et de la carence en fer, de même que le lien entre l’anémie et le nombre de transfusions sanguines. Les patientes souffrant d’anémie devaient plus souvent recevoir une transfusion (44 % contre 11 %, p < .0001), le nombre d’unités de sang transfusé par patiente était considérablement plus élevé (1,19 unité en moyenne contre 0,28 unité, p < .0001) et le séjour postopératoire plus long (5,9 jours en moyenne contre 4,6 jours, p = .0008). On en a conclu que le dépistage et le traitement précoces de l’anémie sont des éléments clés pour optimiser l’issue de l’opération.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".