L’évaluation et l’optimisation de la santé osseuse chez les enfants ayant des affections chroniques
Bibliographic record
Abstract
Les professionnels de la santé des enfants jouent un rôle important dans l'optimisation de la santé osseuse. Il est essentiel d'intervenir rapidement pour maximiser le pic de masse osseuse à l'adolescence et au début de l'âge adulte et d'ainsi réduire le risque d'ostéoporose et de fractures plus tard dans la vie. Les enfants et les adolescents ayant une affection chronique peuvent présenter plusieurs facteurs de risque de mauvaise santé osseuse, notamment des maladies inflammatoires sous-jacentes, des activités avec mise en charge limitées, un retard pubertaire et un apport insuffisant de calcium et de vitamine D. Certains médicaments, et particulièrement les glucocorticoïdes, peuvent compromettre la masse osseuse et exposer l'enfant à un risque de fractures de fragilisation. Le présent point de pratique décrit une approche ciblée pour déterminer les facteurs de risque liés à la santé osseuse chez les enfants et les adolescents ayant une affection chronique, expose les mesures à prendre en cabinet pour optimiser l'acquisition de la masse osseuse et propose des outils en ligne utiles et des références médicales à l'intention des professionnels de la santé des enfants. Les indications pour diriger les patients vers un spécialiste de la santé osseuse et pour procéder à des interventions pharmacologiques visant les os sont également abordées.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".