Ne pas déranger : Éviter les perturbations du sommeil grâce à l’utilisation de biocapteurs portables chez les patients atteints d’hémopathie maligne
Bibliographic record
Abstract
Les patients atteints d’hémopathie maligne souffrent fréquemment de perturbations du sommeil lorsqu’ils sont hospitalisés, principalement en raison des interventions nocturnes fréquentes, comme le contrôle des signes vitaux à 3 reprises par l’équipe de nuit, intervention qui les réveille à chaque fois. Il faut pourtant réduire au minimum ce genre de perturbations, car la mauvaise qualité du sommeil est associée à une moins bonne réponse au traitement et à une réduction de la survie globale (Strøm et al., 2022). Dans le présent article, il sera question de l’utilisation de biocapteurs portables pendant la nuit pour surveiller à distance les signes vitaux des patients hospitalisés, et ainsi déranger le moins possible leur sommeil. L’amélioration du sommeil des patients atteints d’hémopathie maligne est d’une grande importance; des recherches supplémentaires sur la validité analytique et clinique des biocapteurs portables sont nécessaires pour confirmer le potentiel de ces outils technologiques. L’article présente également des recommandations pour l’avenir ainsi que les implications pour la profession infirmière.
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 | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".