Frontline Nursing Care: The COVID-19 Pandemic and the Brazilian Health System
Notice bibliographique
Résumé
Emerging and reemerging infectious diseases are constant challenges for global public health. After the World Health Organization declared COVID-19 a pandemic on March 11, 2020, the spread of SARS-CoV-2 has been the focus of attention for scientists, governments and populations worldwide. In Brazil, the first case of COVID-19 was identified on February 26 2020, being the first country in Latin America to have affected patients. Almost four months later, more than one million confirmed cases of COVID-19 have been identified in the country, and the virus has spread across all 27 states and is responsible for at least 48,954 deaths until June 19, 2020. In addition, a global outbreak requires the active participation of the nursing workforce in clinical care, education, and sharing of accurate information of public health and policies. This year is particularly important for Nursing, as 2020 is the international year for Nursing and Midwifery Professionals. Nursing professionals corresponds to more than half of the health workforce in the country, being crucial in implementing public health policies and programs. Nurses and frontline health care workers have a critical role in the COVID-19 prevention and response, not only by providing direct assistance to patients and communities, but also in the implementation of health promotion and prevention strategies. Hence, we provide a reflection on the strengths and weaknesses of how the nursing profession is engaged with the COVID-19 response in Brazil.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».