Bibliographic record
Abstract
Ofidismo es el accidente provocado por el veneno inoculado a raíz de la mordedura de serpiente. El cuadro clínico producido presenta sintomatologías diferentes que deben ser considerados una emergencia médica en numerosas zonas de nuestro país y por tanto asumido por salud pública. Según la OMS, se estima que hay anualmente entre 1,2 y 5,5 millones de casos mundiales informados, resultando en 94000 muertes aproximadamente. El veneno de serpientes inoculado puede causar severo dolor, inflamación, necrosis tisular y síntomas sistémicos como náuseas y vómitos. Los casos severos, pueden ocasionar disfunción de miembros inferiores, amputación del miembro afectado y hasta la muerte. Incluso las mordeduras por serpientes no venenosas pueden causar serias complicaciones médicas. En Argentina existen más de 100 especies de serpientes. En 2019 se reportaron 700 casos de mordeduras, con un promedio de fallecidos de 4 casos. El 80 % de ellos fue causado por la especie Bothrops (yarará). El objetivo de este trabajo es presentar un caso clínico de ofidismo, reforzar el concepto de sospecha clínica, siempre jerarquizar los antecedentes, hacer el diagnostico e instaurar el tratamiento precozmente. Además, actualizar información acerca de esta patología poco habitual en el medio urbano, pero no en nuestro país.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".