L’évaluation et la prise en charge du sevrage alcoolique à l’urgence
Bibliographic record
Abstract
La prise en charge sécuritaire du sevrage alcoolique à l’urgence représente un défi pour le personnel infirmier. Les symptômes multiples, complexes et atypiques du sevrage alcoolique, l’usage de plusieurs substances chez la personne soignée et la stigmatisation de la dépendance à l’alcool sont parfois des facteurs à l’origine d’une prise en charge sous optimale du sevrage alcoolique. Dans cette optique, cet article a pour objectif de mettre en lumière le rôle capital du personnel infirmier à l’urgence dans l’identification des prédicteurs d’un sevrage d’alcool sévère et dans l’évaluation d’une personne présentant différents symptômes associés au sevrage alcoolique. Tout d’abord, un portrait global du sevrage de l’alcool sera présenté. Ensuite, les manifestations cliniques et la physiopathologie du sevrage alcoolique seront décrites. Les principes de base de l’évaluation clinique seront également abordés et des outils cliniques validés seront présentés afin d’aider le personnel d’urgence à prédire le risque de sevrage alcoolique sévère et faciliter l’évaluation de la gravité du syndrome chez la personne soignée à la salle d’urgence. Pour conclure, une brève description des traitements usuels sera faite.
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 | 0.005 |
| 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 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".