Evaluación de riesgos versus evaluación de impacto en salud (EIS) en la formulación de políticas saludables
Bibliographic record
Abstract
Actualmente esta ampliamente reconocido que la via causal que conduce a un efecto adverso en salud no depende de factores de riesgos aislados, sino de la intrincada relacion de muchos elementos entre si, siendo determinante no solo las caracteristicas biologicas y geneticas de las personas, o sus estilos de vida individuales, sino tambien las condiciones socioeconomicas, culturales, ambientales y politicas de las poblaciones. Este enfoque fue ya reconocido en el propio concepto de “salud” recogido en la Constitucion de la Organizacion Mundial de la Salud (OMS), y con posterioridad en la Carta de Ottawa. La llamada vision social de la salud generada bajo este prisma ha centrado su atencion no en comportamientos de riesgo individuales, sino en toda la poblacion dentro de su entorno, promoviendo la construccion de viviendas y entornos saludables, lugares de trabajo saludables, el aumento de la capacidad de las personas para llevar a cabo una vida sana, o el fortalecimiento de las redes sociales1. Asimismo, desde finales de los ochenta, se ha venido estudiando como ciertos factores (desempleo, lugares de trabajo inseguros, privacion de vivienda, etc.) contribuyen a las disparidades en salud dentro de una poblacion en el denominado modelo de los determinantes sociales en salud2. El estudio de las desigualdades en salud es hoy en dia una prioridad de las agendas politicas en toda Europa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.098 | 0.118 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".