Kliininen kuormituskoe : opetusvideo
Bibliographic record
Abstract
Suomessa sepelvaltimotautiin kuolee vuosittain yli 10 000 henkeä. Se on yksi yleisimmistä kuolinsyistä niin naisilla kuin miehillä. Se kuuluu sydän- ja verisuonisairauksiin, jotka rasittavat eniten terveydenhuoltoa. Sepelvaltimotaudin diagnosoimiseksi käytetään ensisijaisesti kliinistä kuormituskoetta. \nKliininen kuormituskoe on erikoistutkimus, jolla tutkitaan kardiorespiratorista suorituskykyä. Kliinisessä kuormitus-kokeessa potilaan verenkierto-, hengitys- ja liikuntaelimiä kuormitetaan yhä voimakkaammin läpi tutkimuksen. Samalla seurataan potilaan EKG:tä, verenpainetta, sydämen sykettä, sekä tehdään muita oheismittauksia. Tutkimus toteutaan lääkärin ja hoitajan yhteistyönä. \nOpinnäytetyön tarkoituksena oli tuottaa toimeksiantajalle, Kuopion yliopistolliselle sairaalalle, sekä Savonia-ammattikorkeakoulun ja Itä-Suomen yliopiston opiskelijoille laadukas opetusvideo kliinisen kuormituskokeen suorit-tamisesta. Videolla haluttiin näyttää hoitajan ja lääkärin tehtävät kliinisessä kuormituskokeessa. Samalla se opettaa, kuinka kuormituskoe kokonaisuudessaan suoritetaan, millaisia fysiologisia tutkimuksia siihen liittyy ja kuinka ne suoritetaan. Lisäksi KYS:n kliinisen fysiologian- ja isotooppilääketieteen osasto voi halutessaan käyttää opetusvideota uuden työntekijän perehdyttämiseen. \nBioanalyytikon koulutusohjelmaan kuuluu kliinisen fysiologian teoriaopintoja, joissa käydään läpi kliinisen kuormituskokeen perusteet ja harjoitteet. Bioanalyytikoilla on valmistuessaan ammattiin valmiudet toimia kliinisessä kuormituskokeessa. Bioanalyytikon työnkuvaan tutkimuksessa kuuluu muun muassa potilaan valmistelu tutkimusta varten sekä työskentely yhteistyössä lääkärin kanssa tarkkaillen potilaan vointia kuormituksen aikana.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.112 | 0.025 |
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".