O direito à privacidade das informações pessoais no instrumento de captação do atendimento ambulatorial e autorização de procedimentos ambulatoriais (APAC)
Bibliographic record
Abstract
Objetivo - O presente artigo aborda o teor das informações pessoais contidas na Autorização de Procedimentos Ambulatoriais (APAC), para elucidar se estas informações pessoais ferem o direito à privacidade dos cidadãos. Metodologia - realizou-se uma revisão bibliográfica nas bases de dados, SciELO e Biblioteca Virtual em Saúde (BVS) por intermédio da utilização dos descritores: sistema de informação, informação, saúde, banco de dados, direito à privacidade, privacidade, vida privada, intimidade e sigilo. Não houve determinação de um período específico para o levantamento de estudos. Adicionalmente, buscou-se à luz da Lei de Acesso à Informação, a interpretação para estes questionamentos. Resultados- As informações pessoais, como parte das informações referentes aos atendimentos informados na APAC, proporcionam ao Estado o conhecimento do perfil epidemiológico da população e em contrapartida, a avaliação deste para a implementação de novas políticas de saúde pública que correspondam a demanda da população. Conclusão: Não há ferimento ao direito à privacidade os dados coletados no âmbito da APAC.
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 | 0.023 | 0.084 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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.
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".