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 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 | 0,013 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».