PANORAMA DA PREVALÊNCIA E CAUSAS DA DEFICIÊNCIA VISUAL E CEGUEIRA NO BRASIL E EM PERNAMBUCO
Bibliographic record
Abstract
Estimou-se que entorno de 2,2 bilhões de pessoas têm uma deficiência visual ou cegueira e destas pelo menos 1 bilhão tem uma deficiência visual que poderia ter sido evitada ou ainda não foi tratada.No Brasil, há escassez de dados sobre deficiência visual e diante deste fato o objetivo do estudo foi descrever os conhecimentos sobre a prevalência e causas da deficiência visual e cegueira no pais e no estado de Pernambuco a partir de uma revisão bibliográfica nas bases de dados Google Acadêmico, Periódicos CAPES, Scielo e PubMed considerando-se bibliografias publicadas entre os anos de 2012 a 2022 em espanhol, inglês e português.Das 42 fontes bibliográficas inicialmente selecionadas, após a leitura exploratória, 25 foram utilizadas para a redação do texto.Verificou-se que no período considerado 18 artigos trataram sobre perfil epidemiológico de problemas relacionados à deficiência visual e cegueira, no entanto, referem-se a grupos populacionais específicos e pouco representativos em abrangência quanto às regiões e respectivas unidades da federação.Quanto a Pernambuco, foram encontrados dois trabalhos que tratam de faixa etária não representativa da população na totalidade e ainda, evidenciou-se que a proporção de oftalmologistas por habitantes encontra-se abaixo daquela preconizada pela Organização Mundial da Saúde como ideal.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 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".