Abécédaire de la maladie de Parkinson, partie 1 : le diagnostic
Bibliographic record
Abstract
Objectif Présenter aux médecins de famille une approche actualisée du diagnostic de la maladie de Parkinson (MP). Sources de l’information Les lignes directrices sur le diagnostic et la prise en charge de la MP ont été passées en revue. Des recensions dans les bases de données ont été effectuées pour en extraire les articles de recherche publiés entre 2011 et 2021. Le niveau des données probantes varie entre I et III. Message principal Le diagnostic de la MP est principalement d’ordre clinique. Les médecins de famille devraient évaluer les patients en fonction des caractéristiques particulières du parkinsonisme et déterminer ensuite si les symptômes sont attribuables à la MP. Des essais à la lévodopa peuvent servir à confirmer le diagnostic et à atténuer les symptômes moteurs de la MP. Des « signaux d’alerte » et l’absence de réponse à la lévodopa pourraient indiquer d’autres causes du parkinsonisme et inciter à faire une demande de consultation plus urgente. Conclusion L’accès à des neurologues et à des cliniques spécialisées est variable, et les médecins de famille canadiens peuvent être des acteurs importants pour faciliter un diagnostic précoce et exact de la MP. La mise en application d’une approche structurée du diagnostic, et la prise en compte des symptômes moteurs et non moteurs peuvent être grandement bénéfiques pour les patients atteints de la MP. La partie 2 de cette série portera sur la prise en charge de la MP.
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 | 0.005 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.004 |
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".