Adaptação dos instrumentos de avaliação de eventos adversos para uso em hospitais brasileiros
Bibliographic record
Abstract
OBJETIVO: Adaptar os instrumentos de avaliação e os critérios de rastreamento do Canadian Adverse Events Study (CAES) para a avaliação da ocorrência de eventos adversos (EAs) em hospitais brasileiros. METODOLOGIA: O processo de adaptação dos instrumentos foi realizado em 4 etapas: (I) tradução do inglês para o português dos formulários; (II) painel de especialistas para julgar com base em consenso os critérios de rastreamento e dúvidas na tradução; (III) pré-teste; e (IV) retro-tradução dos formulários. RESULTADOS: A tradução de EA consensuada no painel de especialista foi "lesão ou dano [injury] não intencional que resulta em incapacidade ou disfunção [disability], temporária ou permanente, e/ou prolongamento do tempo de permanência ou morte como conseqüência do cuidado prestado". O painel modificou a composição dos critérios de rastreamento do formulário do CAES. Resultados do pré-teste questionaram a qualidade da avaliação na fase de rastreamento. Uma avaliação realizada por médico da equipe da pesquisa obteve uma freqüência de potenciais EAs na fase de rastreamento semelhante ao valor obtido no CAES. Um novo treinamento dos revisores foi realizado. CONCLUSÕES: Os instrumentos de avaliação adaptados do CAES mostraram-se aplicáveis ao contexto de hospitais brasileiros. O método de revisão retrospectiva de prontuários requer, no entanto, um treinamento bem estruturado e avaliação do desempenho dos revisores previamente a sua incorporação como revisor.
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 | 0.037 | 0.074 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".