CARACTERIZAÇÃO DE EVENTOS ADVERSOS HOSPITALARES: BUSCA ATIVA VERSUS NOTIFICAÇÃO ESPONTÂNEA
Bibliographic record
Abstract
Objetivo: caracterizar comparativamente os eventos adversos notificados espontaneamente e por busca ativa. Método: estudo avaliativo transversal documental, para o rastreamento de casos relativos ao período de 01 de julho a 31 de dezembro de 2019, em pacientes críticos, empregando a metodologia do Canadian Adverse Events Study. O estudo foi realizado em uma Unidade de Terapia Intensiva de Curitiba-PR, Brasil. Para análise dos dados, utilizou-se o teste não-paramétrico de McNemar entre as prevalências de eventos adversos. Resultados: houve predomínio de lesão por pressão, sepse pulmonar e remoção não programada de sondas de alimentação. A comparação dos casos identificados, ativa e espontaneamente, indica explícita subnotificação; quanto à evitabilidade e gravidade, observase eventos adversos com maior gravidade e menor evitabilidade na notificação espontânea, inferindo trivialização no relato daqueles de baixa gravidade e alta evitabilidade. Conclusão: a caracterização de eventos adversos em pacientes críticos possibilita implementar estratégias para a promoção da cultura de segurança
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".