ALGORITMO DECISÓRIO PARA TRATAMENTO DE SKIN TEAR: TRADUÇÃO E ADAPTAÇÃO TRANSCULTURAL
Notice bibliographique
Résumé
Introdução: O Skin Tear Decision Algorithm, desenvolvido pelo International Skin Tear Advisory Panel (ISTAP) em 2013, padroniza a prevenção e o tratamento de skin tears por meio de uma abordagem sistemática. Objetivo: Traduzir e adaptar transculturalmente o Skin Tear Decision Algorithm para a língua portuguesa do Brasil. Método: Pesquisa metodológica conduzida em cinco etapas: (1) tradução inicial; (2) síntese das traduções; (3) retrotradução; (4) comitê de juízes, composto por 28 profissionais; e (5) pré-teste com 31 enfermeiros assistenciais. A análise do comitê de juízes incluiu o cálculo da taxa de concordância e do índice de validade de conteúdo. No pré-teste, a praticabilidade foi avaliada por meio da taxa de concordância. Resultados: O algoritmo abrange cuidados essenciais no manejo de skin tears, incluindo avaliação da lesão, controle do sangramento, limpeza, aproximação das bordas, classificação e definição das metas terapêuticas. A avaliação pelo comitê de juízes indicou resultados satisfatórios, com taxa de concordância superior a 80% e índice de validade de conteúdo acima de 0,80. No pré-teste, a versão traduzida apresentou taxa de concordância de 100%, índice de validade de conteúdo de 1,00 e índice Kappa de 0,846. Conclusão: O algoritmo contribui para a padronização da tomada de decisão no tratamento de skin tears, promovendo uma linguagem universal. A implementação de protocolos baseados nesse instrumento pode fortalecer as boas práticas na assistência à saúde. Palavras-chave: Algoritmos; Ferimentos e Lesões; Fricção; Pele; Enfermagem.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».