Primaari sklerosoiva kolangiitti Varsinais-Suomen sairaanhoitopiirissä
Bibliographic record
Abstract
Tutkimuksessa selvitettiin Varsinais-Suomen sairaanhoitopiirin primaaria sklerosoivaa kolangiittia sairastavien potilaiden lukumäärää, ikä- ja sukupuolijakaumaa, sekä tulehduksellisten suolistosairauksien esiintyvyyttä vuosina 2010–2020. Lisäksi selvitettiin taudinkulkua sekä taudin komplikaatioiden kuten maksansiirtojen ja maligniteettien esiintyvyyttä potilasaineistossa. \nTutkimuksen potilasaineisto kerättiin Uranus-potilastietojärjestelmästä hakutermeillä PSC, sklerosoiva kolangiitti, sklerosoiva sappitulehdus ja cholangitis sclerosans ja ICD-10-koodilla K83.0 (muut sappitiesairaudet). Tutkimukseen rajautui haetun potilasaineiston läpikäynnin jälkeen 89 potilaan joukko, joilta kerättiin perustiedot, tiedot primaarista sklerosoivasta kolangiitista sekä mahdollisesta tulehduksellisesta suolistosairaudesta. Tilastolliset analyysit suoritettiin SAS-järjestelmän Windowsversiota 9.4 (SAS Institute Inc., Cary, NC, USA) \nTutkimuksessa primaarin sklerosoivan kolangiitin esiintyvyys Varsinais-Suomen sairaanhoitopiirissä oli yhtenevä muun Suomen esiintyvyyden kanssa, joskin muun suomen esiintyvyyden alarajoilla. Naispotilaiden osuus sukupuolijakaumassa oli hieman suurempi muuhun aineistoon verrattuna. Miehillä tauti diagnosoitiin keskimäärin nuorempana, ja diagnoosivaiheessa tauti esiintyi sappitiepuustossa laajaalaisemmin kuin naisilla. Aineiston potilailla 76 %:lla oli jokin tulehduksellinen suolistosairaus. Enemmistöllä potilaista esiintyvän haavaisen paksusuolitulehduksen osuus potilasaineistossa oli keskimääräistä pienempi, kun taas välimuotoisen koliitin osuus oli verrokkiaineistoa suurempi. Tutkimuksen päätetapahtumista yleisin oli maksansiirto, johon joutui 12 potilasta. Perussairauteen liittyvä kuolleisuus oli tutkimuksessa 2,2 % ja kuolinsyy kuolemissa oli kolangiokarsinooma.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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; both teacher heads agree on what is shown here.
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".