Avaliação da incidência e evitabilidade de eventos adversos em hospitais: revisão integrativa
Bibliographic record
Abstract
RESUMOObjetivo: Evidenciar a produção científica relacionada à adoção de métodos de revisão retrospectiva de prontuários para avaliação daincidência e evitabilidade de eventos adversos em hospitais.Método: Revisão integrativa nas bases de dados MEDLINE, LILACS, SCOPUS, Web of Science e EMBASE, realizada em maio de 2019,tendo como questão norteadora: qual é o conhecimento sobre a adoção de métodos de revisão retrospectiva de prontuários depacientes internados para avaliação da incidência e evitabilidade de eventos adversos em hospitais? Após, executou-se categorização,síntese e classificação dos níveis de evidência das publicações incluídas.Resultados: Dentre 13 estudos selecionados, os instrumentos adotados para avaliação da ocorrência de eventos adversos foram oHarvard Medical Practice Study, Canadian Adverse Event Study, Quality in Australian Health Care Study e Global Trigger Tool. A variaçãoda incidência foi de 5,7 a 14,2%, enquanto da evitabilidade foi de 31 a 83%.Conclusão: Verificou-se diferenças na incidência e evitabilidade, havendo heterogeneidade na qualidade do cuidado prestado,informações registradas nos prontuários, critérios de rastreamento utilizados e avaliações dos revisores.Palavras-chave: Segurança do paciente. Erros médicos. Hospitais. Estudos retrospectivos.
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 | 0.122 | 0.265 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.005 | 0.008 |
| Bibliometrics | 0.037 | 0.026 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".