Near miss materno: fatores influenciadores e direcionamentos para redução da morbidade e mortalidade materna
Notice bibliographique
Résumé
Objetivo: analisar as evidências científicas acerca dos fatores que influenciam os casos de near miss materno e possíveis direcionamentos para redução da morbidade e mortalidade materna. Métodos: revisão integrativa com 2.895 artigos encontrados e 17 selecionados. Resultados: os fatores que influenciam nos casos de near miss foram: atrasos nos cuidados obstétricos; despreparo da equipe de saúde; condições precárias dos serviços; disponibilidade limitada de derivados de sangue; e deficiência no pré-natal, no uso de Práticas Baseadas em Evidências e nas auditorias. Como principais direcionamentos para minimizar esses eventos, evidenciaram-se: fortalecer a rede de referência e contrarreferência; realizar capacitação profissional; melhorar a cobertura do pré-natal; e investir na infraestrutura, na gestão de processos e em auditorias clínicas. Conclusão: os fatores que influenciam os casos de near miss materno englobam desde o atraso nos cuidados até a não realização do pré-natal, cuja melhoria na gestão constitui o principal direcionamento.
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 | 0,020 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».