ALGORITMO DECISÓRIO PARA TRATAMENTO DE SKIN TEAR: TRADUÇÃO E ADAPTAÇÃO TRANSCULTURAL
Bibliographic record
Abstract
Introdução: O Skin Tear Decision Algorithm, desenvolvido pelo International Skin Tear Advisory Panel (ISTAP) em 2013, padroniza a prevenção e o tratamento de skin tears por meio de uma abordagem sistemática. Objetivo: Traduzir e adaptar transculturalmente o Skin Tear Decision Algorithm para a língua portuguesa do Brasil. Método: Pesquisa metodológica conduzida em cinco etapas: (1) tradução inicial; (2) síntese das traduções; (3) retrotradução; (4) comitê de juízes, composto por 28 profissionais; e (5) pré-teste com 31 enfermeiros assistenciais. A análise do comitê de juízes incluiu o cálculo da taxa de concordância e do índice de validade de conteúdo. No pré-teste, a praticabilidade foi avaliada por meio da taxa de concordância. Resultados: O algoritmo abrange cuidados essenciais no manejo de skin tears, incluindo avaliação da lesão, controle do sangramento, limpeza, aproximação das bordas, classificação e definição das metas terapêuticas. A avaliação pelo comitê de juízes indicou resultados satisfatórios, com taxa de concordância superior a 80% e índice de validade de conteúdo acima de 0,80. No pré-teste, a versão traduzida apresentou taxa de concordância de 100%, índice de validade de conteúdo de 1,00 e índice Kappa de 0,846. Conclusão: O algoritmo contribui para a padronização da tomada de decisão no tratamento de skin tears, promovendo uma linguagem universal. A implementação de protocolos baseados nesse instrumento pode fortalecer as boas práticas na assistência à saúde. Palavras-chave: Algoritmos; Ferimentos e Lesões; Fricção; Pele; Enfermagem.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| 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 teacher head, 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".