SJÅ MEG, TRU MEG, HJELP MEG!
Bibliographic record
Abstract
Tittel: SJÅ MEG, TRU MEG, HJELP MEG! Bakgrunn: Myalgisk encefalopati oppsto i 1956 (Piro & Midsen, 1999) og er verdens medisinske mest omstridte sykdom hvor det er vanskelig å fastslå forekomsten av ME (Jelstad, 2011). Den rapporterte forekomsten ligger på til 0,2- 0,4% ved bruk av Canada- og Fukudakriteriene (se vedlegg 3). Det utgjør 10.000- 20.000 tilfeller i den norske befolkningen (Storla, 2014). Myalgisk encefalopati rammer begge kjønn i alle aldre, men 70- 80% er kvinner. Myalgisk encefalopati har siden 1969 vært klassifisert av WHO som en nevrologisk sykdom. Det finnes ingen diagnosespesifikk test eller helbredende kur. Utredning består av en rekke undersøkelser for å avdekke om det er andre sykdommer som kan forklare sykdomsbildet. Sykdommen kan være svært invalidiserende, og alvorlighetsgraden varierer. Fullstendig tilfriskning er sjelden og årsaken til Myalgisk encefalopati er ukjent (Norges Myalgisk Encefalopati forening[ME - forening], 2016).\nHensikt: Hensikten med oppgaven er å rette fokus på hvordan vi som sykepleier kan møte pasienter med Myalgisk encefalopati slik at de føler seg ivaretatt.\nTeori: Vi har valgt å bruke Aron Antonovsky, og sykpleieteoretikerne Jan Kåre Hummelvoll og Joyce Travelbee.\nMetode: Vi har brukt litteraturstudie som metode etter retningslinjenene til Høgskolen i Hedmark. Oppgaven er basert på pensumlitteratur, selvvalgt litteratur og forskningsartikler.\nKonklusjon: Forskningen viser at det er for lite kunnskap blant sykepleiere om hvordan de skal ivareta pasienter med Myalgisk encefalopati. Funnene viser at sykepleier bør ha bedre kunnskap om sykdommen, bedre kommunikasjons- og lytteferdigheter, samt en bevisst holdning i møte med en sykdom som vi fortsatt vet for lite om.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.093 | 0.044 |
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".