Impacto das pesquisas do Programa de Apoio ao Desenvolvimento Institucional do Sistema Único de Saúde
Bibliographic record
Abstract
RESUMO Mensurar o impacto do investimento em pesquisas contribui para a compreensão do alcance dos resultados nos sistemas de saúde e para o direcionamento de recursos para áreas prioritárias. Este estudo avaliou o impacto na dimensão ‘avanços no conhecimento’ produzido pelas pesquisas em saúde financiadas pelo Programa de Apoio ao Desenvolvimento Institucional do Sistema Único de Saúde (Proadi-SUS), no período de 2009 a 2014, no Brasil. Trata-se de pesquisa avaliativa, que utilizou o modelo adaptado de avaliação de pesquisas em saúde da Canadian Academy of Health Sciences (CAHS), a partir de análise documental dos registros de acompanhamento de projetos e relatórios de prestação de contas apresentados pelas instituições executoras das pesquisas. Foram investidos R$ 66,49 milhões em 46 pesquisas, em 12 áreas temáticas, distribuídas em cinco tipos de estudos, principalmente em cardiologia. Foram identificados produtos de 28 projetos (60,8%). Observou-se potencial avanço do conhecimento no campo das doenças crônicas. A transferência dos conhecimentos gerados por essas pesquisas e o impacto do investimento nas categorias tomada de decisão informada e benefícios ao setor saúde não foram mensurados e permanecem como desafios para a efetiva avaliação do programa. Estudos que avaliem a aplicação das evidências produzidas na prática clínica e na gestão podem contribuir para a compreensão da medida do impacto das pesquisas financiadas pelo Proadi-SUS em outras dimensões.
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 | 0.018 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".