PANORAMA DA PREVALÊNCIA E CAUSAS DA DEFICIÊNCIA VISUAL E CEGUEIRA NO BRASIL E EM PERNAMBUCO
Notice bibliographique
Résumé
Estimou-se que entorno de 2,2 bilhões de pessoas têm uma deficiência visual ou cegueira e destas pelo menos 1 bilhão tem uma deficiência visual que poderia ter sido evitada ou ainda não foi tratada.No Brasil, há escassez de dados sobre deficiência visual e diante deste fato o objetivo do estudo foi descrever os conhecimentos sobre a prevalência e causas da deficiência visual e cegueira no pais e no estado de Pernambuco a partir de uma revisão bibliográfica nas bases de dados Google Acadêmico, Periódicos CAPES, Scielo e PubMed considerando-se bibliografias publicadas entre os anos de 2012 a 2022 em espanhol, inglês e português.Das 42 fontes bibliográficas inicialmente selecionadas, após a leitura exploratória, 25 foram utilizadas para a redação do texto.Verificou-se que no período considerado 18 artigos trataram sobre perfil epidemiológico de problemas relacionados à deficiência visual e cegueira, no entanto, referem-se a grupos populacionais específicos e pouco representativos em abrangência quanto às regiões e respectivas unidades da federação.Quanto a Pernambuco, foram encontrados dois trabalhos que tratam de faixa etária não representativa da população na totalidade e ainda, evidenciou-se que a proporção de oftalmologistas por habitantes encontra-se abaixo daquela preconizada pela Organização Mundial da Saúde como ideal.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».