MétaCan
Menu
Back to cohort

Limitações para investigação e notificação de surtos de infecções relacionadas à assistência à saúde no Estado de São Paulo: uma abordagem de métodos mistos

2016· dissertation· pt· W2260645123 on OpenAlexaboutno aff
Amanda Luiz Pires Maciel

Bibliographic record

Venuenot available
Typedissertation
Languagept
FieldMedicine
TopicInfection Control in Healthcare
Canadian institutionsnot available
Fundersnot available
KeywordsFocus groupInfection controlOutbreakQuarter (Canadian coin)MedicineFamily medicineGeographySociologySurgery

Abstract

fetched live from OpenAlex

\n Introdução:A detecção de surtos de infecções relacionadas à assistência à saúde (IRAS) e sua investigação são atividades de extrema importância para a Comissão de Controle de Infecção Hospitalar, pois os resultados da investigação podem identificar a fonte e o veículo do foco de transmissão, contribuir para implantação de medidas apropriadas para a prevenção de casos novos, fornecer informações para o avanço da epidemiologia hospitalar e traduzir a qualidade da vigilância epidemiológica do serviço de saúde.Embora a notificação de surtos seja obrigatória desde 1998, um estudo mostrou que apenas 25% dos eventos são notificados para as autoridades sanitárias. Objetivos: Identificar, segundo a percepção dos profissionais de controle de IRAS, quais são as limitações para investigação de surto de IRAS e as restrições para notificação do evento às autoridades sanitárias. Métodos: O estudo utilizou uma abordagem de métodos mistos, sob o desenho convergente paralelo. Para a abordagem quantitativa foi realizado um inquérito utilizando-se um questionário eletrônico na plataforma do DATASUS (FormSUS) e foram incluídos profissionais de controle de IRAS que atuam no Estado de São Paulo. Para a abordagem qualitativa foram realizados grupos focais nas cidades de São Paulo, Campinas e Ribeirão Preto e foram incluídos os profissionais de controle de IRAS que atuam nessas cidades. Para os resultados do inquérito foi realizada uma análise descritiva e para os achados dos grupos focais foi aplicada a análise de conteúdo. Após a análise das abordagens os resultados foram comparados. Resultados: Participaram 87 profissionais de controle de infecção no inquérito e 22 profissionais nos grupos focais, sendo a participação de (60%) enfermeiros e (40%) médicos similar nas duas abordagens. Houve convergência nos seguintes temas:i) Profissionais de controle de infecção têm dificuldade em aplicar conhecimento em investigação de surtos na prática; ii) Recursos humanos e materiais são suficientes, mas há falta de planejamento de trabalho; iii) Apoio institucional frágil para questões relativas ao controle de IRAS; iv) Profissionais de controle de infecção sabem como notificar (84%), mas não sabem a relevância da notificação dos surtos para a saúde pública; vi) Profissionais de controle de infecção não notificam por medo de punição (64%) ou exposição da imagem da instituição (52%). Em dois temas houve a divergência entre as abordagens quantitativas e qualitativas: i) Laboratório: no inquérito a maioria relatou um bom suporte laboratorial, mas nos grupos focais houve queixas sobre o serviço; ii) Relação com autoridades sanitárias: no inquérito profissionais de controle de infecção citaram uma boa interação (50%) e não punitiva (84%), mas nos grupos focais citaram como insuficiente e punitiva. Conclusão: O estudo mostrou que as barreiras à investigação de surtos de IRAS e notificação às autoridades sanitárias são conhecimentos, habilidades e apoio institucional. As autoridades sanitárias devem superar estas barreiras, reconstruindo suas estratégias para aproximar os serviços de saúde, bem como fornecer programas educativos translacionais para apoiar a melhoria dos processos de investigação de surto.\n

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.005
metaresearch head score (Gemma)0.019
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMetaresearch, Meta-epidemiology (narrow), Science and technology studies, Research integrity, Insufficient payload (model declined to judge)
Consensus categoriesMeta-epidemiology (narrow), Research integrity, Insufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.121
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0050.019
Meta-epidemiology (narrow)0.0020.002
Meta-epidemiology (broad)0.0030.001
Bibliometrics0.0010.001
Science and technology studies0.0010.000
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0050.005
Insufficient payload (model declined to judge)0.0030.002

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.

Opus teacher head0.042
GPT teacher head0.335
Teacher spread0.294 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations1
Published2016
Admission routes1
Has abstractyes

Explore more

Same topicInfection Control in HealthcareFrench-language works237,207