Results of the treatment of major vacuum wounds in the united kingdom’s operation in the eastern ukraine for the period from 2014 to and quarter of 2019
Bibliographic record
Abstract
325.1"Результати лікування поранень магістральних судин у ході операції об'єднаних сил на Сході України за період із 2014 по І квартал 2019 року В.А.Черняк 2 , В.М.Роговський 1 , Ю.В.Нагалюк 1 , Ю.Ю.Сіваш 1 , М.В.Щепетов 1 , К.К.Карпенко 1 1 Національний військовий медичний клінічний центр «Головний військовий клінічний госпіталь»; 2 Київський національний університет імені Тараса Шевченка, Київ Реферат Вогнепальні поранення магістральних судин залишаються актуальною і складною галуззю ангіохірургії як в лікувальному, так і в організаційному плані.За віковою категорією переважали пацієнти у віці від 21 до 3 років (37,3%) та від 31 до 40 років (29,4%).Найбільша доля пошкоджень припала на поранення артерій та вен, що становить 60,8%.За частотою локалізації поранень магістральних судин переважають поранення стегново-підколінного сегменту -у 76,5%.Вогнепальні поранення судин -тяжкі поранення, котрі часто поєднуються з травмою нервів (23,5%), кісток (37,3%), кісток і нервів (25,5%), тільки м'яких тканин (13,7%).У 47% -травма була ізольованою, у решти бійців -поєднаною.Результати лікування у 74,5% були задовільними, у 25,5% -завершились ампутацією кінцівки.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".