Prise en charge des patients ayant des scores élevés au Self-BAT ou d’autres symptômes hémorragiques
Bibliographic record
Abstract
Résumé Objectif Présenter des recommandations sur la prise en charge des patients qui ont obtenu des scores élevés avec l’outil d’autoévaluation des saignements (Self-BAT) ou qui présentent d’autres symptômes hémorragiques, en milieu de soins primaires. Sources de l’information Des sources de recherche primaire, des articles de revues cliniques, et des entrevues avec du personnel de recherche, des hématologues et des médecins de famille ont servi à produire les ressources sous forme d’affiches et d’un guide de référence. Message principal Parmi les recommandations sur la prise en charge d’un patient dont les scores au Self-BAT sont élevés ou qui présente d’autres symptômes hémorragiques figurent les suivantes : passer en revue les résultats du Self-BAT pour clarifier les symptômes pertinents, effectuer les tests diagnostiques de laboratoire initiaux et gérer les symptômes de base. Il faut se servir de son jugement clinique pour déterminer la nécessité d’une demande de consultation en hématologie, mais il y a lieu d’envisager une telle démarche si les scores liés aux saignements sont anormaux ou si les options de gestion initiales ne sont pas efficaces. Il est justifié que certains symptômes hémorragiques soient évalués par un gastroentérologue, un obstétricien-gynécologue ou un otorhinolaryngologiste. Conclusion Les professionnels des soins primaires devraient examiner rigoureusement les résultats du Self-BAT et les recommandations de prise en charge connexes dans le cas d’un patient qui a un score élevé ou présente d’autres manifestations hémorragiques. L’examen comprend la clarification des symptômes pertinents, les analyses de laboratoire pertinentes laboratoire et l’éducation du patient. Les options thérapeutiques pour la gestion des symptômes devraient être envisagées, tout en le reconnaissant lorsqu’il s’impose de demander une consultation en hématologie.
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 | 0.027 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".