Caracterização dos episódios de queda em uma unidade de cardiologia: estudo retrospectivo
Bibliographic record
Abstract
Objetivo: Caracterizar os episódios de queda em pacientes internados em uma unidade cardiológica, quanto à ocorrência, fatores relacionados e risco. Método: Estudo descritivo, retrospectivo, por meio da análise de prontuários de pacientes internados em uma unidade de cardiologia que apresentaram episódio de queda entre janeiro de 2015 a dezembro 2016. O risco médio para quedas foi avaliado, conforme a Escala de Morse. Resultados: No período de estudo houve 32 episódios de quedas. A queda foi mais frequente em idosos (81,3%) e naqueles que faziam uso crônico de medicamentos, para controle e tratamento de comorbidades preexistentes. Dentre os fatores de risco, 34,4% apresentavam delirium, comprometimento neurológico e déficit de locomoção. O risco médio para quedas foi classificado como elevado (> 45), 25% das quedas resultaram em algum tipo de dano (leve ou moderado) e ocorreram em períodos matutinos. Conclusão: As contribuições fornecidas pelos registros de eventos adversos, deste estudo, facilitaram a identificação dos fatores de risco, demonstrando a necessidade de se propor intervenções de enfermagem preventivas, uma vez que assumir o evento e identificar suas causas são maneiras de praticar uma assistência de enfermagem segura ao paciente.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".