Apport de l'Alberta Infant Motor Scale dans la prédiction du devenir moteur des nouveau-nés traités par hypothermie thérapeutique pour une encéphalopathie anoxo-ischémique
Bibliographic record
Abstract
Objectif : la prédiction du devenir moteur dans les encéphalopathies anoxo-ischémiques (EAI) est complexe. Nous avons cherché à évaluer l’apport d’un examen utilisant l’Alberta Infant Motor Scale à l’âge de 4 mois (AIMS-4M) dans l’établissement du pronostic moteur à 18 mois. Méthode : nous avons recruté une cohorte rétrospective de patients traités par hypothermie thérapeutique pour une EAI à l’hôpital Sainte Justine (Canada) entre 2009 et 2016. Le suivi neurodéveloppemental était réalisé à 2 et 4 mois en utilisant l’AIMS, et le devenir moteur était classifié à l’âge de 18 mois par le Gross Motor Function Classification System. Une régression ordinale a été réalisée afin de mesurer le pouvoir de prédiction du devenir moteur par le score AIMS et l’IRM cérébrale. Résultats : parmi les 52 nouveau-nés inclus : 16 enfants (31 %) avaient un développement moteur normal, 25 (48 %) présentent un retard de développement moteur, et 11 patients (26 %) ont développé une paralysie cérébrale. Quarante-et-un enfants avaient un score AIMS-4M anormal (inférieur au 10ième percentile). L’IRM précoce et le AIMS-4M étaient tous deux prédictifs d’une motricité altérée (χ2 = 6,1, p = 0,013 et χ2 = 4,9, p = 0,029, respectivement). Un AIMS-4M normal permettait d’exclure une paralysie cérébrale future. Interprétation : l’évaluation par l’association de l’IRM cérébrale et du AIMS-4M permet une prédiction plus précise de la motricité à 18 mois.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".