Avaliando a difusão de tecnologias médicas no sistema de saúde privado no Brasil: o caso da tomografia por emissão de pósitrons (PET)
Bibliographic record
Abstract
OBJETIVOS: analisar os determinantes da difusão da tomografia por emissão de pósitrons (PET) em um conjunto selecionado de prestadores de serviços e operadoras de planos de saúde no Brasil. MÉTODOS: estudo de caso qualitativo, com coleta de dados realizada por meio de entrevistas em profundidade (N=9) com representantes de quatro prestadores de serviços de saúde privados e três operadoras de planos de saúde. RESULTADOS: as decisões para aquisição da tecnologia estudada são tomadas por dirigentes de hospitais e clínicas que adotam uma estratégia de diferenciação baseada em liderança tecnológica. Os fatores que influenciam essa decisão são: histórico de pioneirismo da instituição na incorporação de tecnologias; pressão do corpo clínico vinculado à instituição; prestígio do médico ou da área demandante; disponibilidade de recursos financeiros; acesso facilitado à tecnologia; concorrência entre os prestadores de serviços de saúde; evidências científicas; e rentabilidade do investimento. CONCLUSÕES: os atuais instrumentos de política usados para gerenciar a difusão de tecnologias médicas no sistema de saúde brasileiro exercem pouca influência nas decisões de grandes prestadores privados, cujas atividades não estão necessariamente relacionadas com as necessidades de saúde da população ou com as prioridades da política de saúde.
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 | 0.004 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".