Obésité viscérale, taille des particules LDL et profil inflammatoire athérogène
Bibliographic record
Abstract
Michèle, Natalie, et toute la grande équipe du D r Després pour votre aide, votre énergie, votre patience, et pour votre dévouement.Il serait impossible de conclure cette section sans reconnaître la contribution des personnes qui me sont le plus chères au monde, mes parents.J'aimerais les remercier d'abord pour leurs encouragements et pour leur appui, tant sur le plan personnel que financier, mais aussi de m'avoir encouragé à toujours continuer.Merci pour vos précieux conseils et merci de m'avoir aidé à (enfin!) trouver ma voie.Dominique, Don et Angèle, vous êtes également dans mes pensées.vin V Inflammation, dyslipidémie athérogène et athérosclérose 40 5.1 La contribution de l'obésité abdominale aux concentrations élevées du TNF-a, de l'IL-6 et de la CRP 40 5.2 Marqueurs inflammatoires, résistance à l'insuline et dyslipidémies athérogènes 42 5.3 Contribution des marqueurs inflammatoires et de la taille des LDL au processus athérosclérotique 46 VI Objectifs et hypothèses 51 6.1 Objectifs 51 6.2 Hypothèses 51 VII Contributions respectives de l'obésité viscérale et de la taille des particules LDL à la variation des concentrations plasmatiques de certaines cytokines inflammatoires 53 VIII Conclusions et perspectives 78
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.044 | 0.005 |
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".