Amélioration du bon usage du médicament chez la femme enceinte ou qui allaite (participation à la coordination d'un ouvrage didactique lors d'un stage au Québec)
Bibliographic record
Abstract
Lors d'un stage de dix-huit mois au sein de l'équipe mère-enfant de la pharmacie du Centre Hospitalier Universitaire Sainte-Justine à Montréal, j'ai pu participer à la coordination d'un nouvel ouvrage thérapeutique sur l'utilisation des médicaments pendant la grossesse et l'allaitement. Ce livre, écrit sous la direction de Madame le Professeur Ema Ferreira, est destiné aux professionnels de la santé francophones et sera publié aux Éditions CHU Sainte-Justine à l automne 2007. Après avoir présenté le contexte de cette expérience québécoise, la place attendue dans la documentation scientifique de ce guide thérapeutique et la coordination du projet, la discussion s ouvre sur les éléments qui pourraient être appliqués en France, en particulier au CHU de Nantes. En effet, que ce soit au Québec ou en France, le bon usage du médicament chez la femme enceinte ou qui allaite est un objectif majeur des politiques de santé. En France les structures telles que les Centres Régionaux de Pharmacovigilance (CRPV) et le Centre de Référence sur les Agents Tératogènes (CRAT) sont chargées de cette mission. Les liens de proximité entre le CRPV de Nantes et le service de gynécologie-obstétrique de l Hôpital Mère-Enfant devraient permettre d optimiser cette activité, afin de répondre au mieux aux besoins des professionnels de la santé et de développer la recherche clinique dans ce domaine.
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 | 0.006 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".