Avançando no uso de políticas e práticas de saúde informadas por evidências: a experiência de Piripiri-Piauí
Notice bibliographique
Résumé
Evidence-informed decision making (EIDM) can optimize health services and systems. EIDM involves defining problems, identifying measures to tackle them, assessing the quality of global and local evidence and translating it for the main stakeholders in line with social values and laws. Brazil encourages the use of EIDM in health policy in Piripiri, a municipality of 61,840 inhabitants in the country's poorest region, and launched Brazil's first Evidence Use in Health Care (NEv) center in 2010. The development and preliminary results of the NEv center are reported and its vision, composition, mandate, and activities are presented. The NEv center experience has the support of the Evidence-Informed Policy Network, the Latin American and Caribbean Center of Information on Health Sciences and federal and municipal governments. The decentralization of financing and the provision of healthcare services, the expansion of EIDM in management, and the local political context illustrate the progress of the experiment. Its activities include the production and dissemination of deliberative briefs and dialogues with opinion shapers, workers and health service users. Monitoring and evaluation are underway and the results will help to broaden the scale of activities in Brazil and abroad.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,073 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,024 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».