Avaliação de estratégias de capacitação no uso de EPIs para profissionais da saúde durante a pandemia de COVID-19: revisão sistemática e metanálise
Bibliographic record
Abstract
A pandemia da COVID-19 afetou vários países, de modo mais doloroso os de baixa e média renda, como o Brasil, devido a fatores como falta de investimento na capacitação dos profissionais de saúde, falta de equipamentos necessários e atraso na campanha de imunização. Nesse ínterim, surgiram desafios que contribuíram para o rápido contágio entre profissionais de saúde, como a falta de treinamento no que tange ao procedimento adequado de paramentação e desparamentação de EPIs e a urgência na contratação de profissionais para atuação na linha de frente. Este estudo tem como objetivo analisar o impacto do modelo de treinamento baseado em vídeo em comparação ao modelo de treinamento baseado em métodos tradicionais voltados ao uso adequado de EPIs para profissionais de saúde por meio de metanálise. Trata-se de uma Revisão Sistemática de Literatura com metanálise por meio das bases de dados Scientific Electronic Library Online – SciELO, Web of Science, Scopus, PubMed, Educational Resources Information Centre - ERIC, Biblioteca Virtual em Saúde - BVS e Literatura Latino-Americana e do Caribe em Ciências da Saúde - LILACS. Os resultados permitiram estimar, de forma estatística, o impacto do modelo de treinamento baseado em vídeo em comparação ao modelo de treinamento baseado em métodos tradicionais voltados ao uso adequado de EPIs para profissionais de saúde. Constata-se que tanto o método baseado em vídeo quanto os métodos tradicionais de treinamentos podem ser eficazes, no que tange à minimização de impactos decorrentes da pandemia da COVID-19.
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 | 0.028 | 0.068 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.009 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".