SISTEMAS COMPUTACIONAIS PARA AUXÍLIO NA CICATRIZAÇÃO DE FERIDAS: REVISÃO DE ESCOPO
Bibliographic record
Abstract
Objetivo:Investigar estudos que apresentem sistemas computacionais de auxílio à cicatrização de feridas e quais sistemas se referem ao uso de laser de baixa intensidade. Método: Revisão de escopo que visou responder à questão de pesquisa: Quais sistemas computacionais auxiliam na cicatrização de feridas? Uma subquestão foi: quais sistemas computacionais se referem ao uso do laser de baixa intensidade? Resultados: A partir da busca, aplicando os critérios de elegibilidade, 49 artigos compuseram a amostra final. Os sistemas apresentaram várias finalidades de apoio à cicatrização de feridas, em que a maioria apresentou como usuário do sistema o profissional de saúde, sendo a medicina a área profissional mais mencionada, embora a enfermagem esteja envolvida com o manejo do cuidado às pessoas com feridas. Foi relatada com frequência a inovação na assistência a partir do uso do sistema computacional, o que demonstra a importância desse tipo de ferramenta para a prática clínica. Verificou-se com frequência o uso de plataforma mobile, como tendência da atualidade. Conclusão: Os sistemas computacionais têm sido utilizados como ferramentas para apoiar pacientes e principalmente profissionais na cicatrização de feridas. Quanto ao laser de baixa intensidade, houve escassez de sistemas computacionais com essa finalidade, com apenas um estudo.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".