Avaliação de estratégias de capacitação no uso de EPIs para profissionais da saúde durante a pandemia de COVID-19: revisão sistemática e metanálise
Notice bibliographique
Résumé
A pandemia da COVID-19 afetou vários países, de modo mais doloroso os de baixa e média renda, como o Brasil, devido a fatores como falta de investimento na capacitação dos profissionais de saúde, falta de equipamentos necessários e atraso na campanha de imunização. Nesse ínterim, surgiram desafios que contribuíram para o rápido contágio entre profissionais de saúde, como a falta de treinamento no que tange ao procedimento adequado de paramentação e desparamentação de EPIs e a urgência na contratação de profissionais para atuação na linha de frente. Este estudo tem como objetivo analisar o impacto do modelo de treinamento baseado em vídeo em comparação ao modelo de treinamento baseado em métodos tradicionais voltados ao uso adequado de EPIs para profissionais de saúde por meio de metanálise. Trata-se de uma Revisão Sistemática de Literatura com metanálise por meio das bases de dados Scientific Electronic Library Online – SciELO, Web of Science, Scopus, PubMed, Educational Resources Information Centre - ERIC, Biblioteca Virtual em Saúde - BVS e Literatura Latino-Americana e do Caribe em Ciências da Saúde - LILACS. Os resultados permitiram estimar, de forma estatística, o impacto do modelo de treinamento baseado em vídeo em comparação ao modelo de treinamento baseado em métodos tradicionais voltados ao uso adequado de EPIs para profissionais de saúde. Constata-se que tanto o método baseado em vídeo quanto os métodos tradicionais de treinamentos podem ser eficazes, no que tange à minimização de impactos decorrentes da pandemia da COVID-19.
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 | 0,011 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».