IMPACTOS DA INSEGURANÇA ALIMENTAR NA SAÚDE MATERNA E NEONATAL
Bibliographic record
Abstract
RESUMOObjetivo: Analisar os impactos da insegurança alimentar (IA) relacionados às questões maternas e neonatais.Metodologia: Revisão da literatura, nas Bases de Dados da Biblioteca Virtual em Saúde, PubMed e Scielo, foram selecionando 17 artigos entre os anos de 2017 a 2024 publicados nos idiomas português e inglês.Resultados e discussão: A IA é tida em sociedade como um fator tanto social, quanto econômico que permeia a escassez de alimentos.Nessa perspectiva, os impactos gerados pela insegurança alimentar dentro do contexto da atenção materna e neonatal são de extrema importância para o entendimento dos desfechos negativos suscitados pela deficiência nutricional, o qual para as gestantes pode desencadear desde quadros de anemia, alterações nas funções imunológicas e cardiovasculares, diabetes, entre outras comorbidades que podem propiciar a ocorrência de complicações no momento do parto, bem como, ao analisar esses parâmetros relacionados ao desenvolvimento fetal, vê-se que essas problemáticas são cruciais para a manutenção da vida e crescimento neonatal, complicações estas que vão desde problemas auditivos, baixo peso ao nascer, o que pode favorecer a ocorrência de bebês prematuros e/ou com mal formações pelo déficit de nutrientes essenciais ao seu desenvolvimento.Considerações finais: Portanto, os impactos ocasionados pela insegurança alimentar nos parâmetros gestacionais são de extrema relevância no contexto social, visto que a falta de alimentos nesse período pode acarretar problemas, tanto no desenvolvimento fetal quanto na saúde materna.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".