Risk factors of ischaemic stroke in patients with atrial fibrillation
Bibliographic record
Abstract
Wprowadzenie Migotanie przedsionków (MP) jest częstą arytmią i istotnym czynnikiem ryzyka wystąpienia udaru mózgu. Ryzyko to zależy jednak od współistnienia innych czynników predysponujących do wystąpienia udaru mózgu i MP. Cel pracy: Ocena, które z powszechnie występujących czynników klinicznych najsilniej wiąże się z rozwojem udaru mózgu u pacjentów z MP w porównaniu z pacjentami z rytmem zatokowym. Cel pracy Ocena, które z powszechnie występujących czynników klinicznych najsilniej wiąże się z rozwojem udaru mózgu u pacjentów z MP w porównaniu z pacjentami z rytmem zatokowym. Materiał i metody W retrospektywnym, obserwacyjnym, jednoośrodkowym badaniu analizowano pacjentów z ostrym udarem niedokrwiennym hospitalizowanych w ośrodku neurologicznym od 1 stycznia 2013 do 30 kwietnia 2015 roku. Pacjentów podzielono na grupę z MP i bez MP. Do identyfikacji predyktorów udaru mózgu u pacjentów z MP zastosowano wieloczynnikową analizę regresji logistycznej. Wyniki W retrospektywnym, obserwacyjnym, jednoośrodkowym badaniu analizowano pacjentów z ostrym udarem niedokrwiennym hospitalizowanych w ośrodku neurologicznym od 1 stycznia 2013 do 30 kwietnia 2015 roku. Pacjentów podzielono na grupę z MP i bez MP. Do identyfikacji predyktorów udaru mózgu u pacjentów z MP zastosowano wieloczynnikową analizę regresji logistycznej. Wnioski Badanie wykazało, że u pacjentów z udarem mózgu i MP występowały dodatkowe czynniki ryzyka współistniejące z arytmią. Wykrycie innych potencjalnych przyczyn udaru mózgu u pacjentów z MP jest ważne, aby umożliwić modyfikację niektórych z nich i ustalić skuteczne leczenie poprawiające wyniki w tej grupie chorych.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".