Competências dos médicos no atendimento a idosos em situação de violência: revisão de escopo
Bibliographic record
Abstract
Resumo Objetivo descrever, por meio das evidências da literatura, as competências dos médicos de serviços hospitalares diante de situações de violência contra a pessoa idosa (VCPI). Método revisão de escopo com busca em bases de dados/plataformas/buscadores e literatura cinzenta abrangendo Medline; BVS; Embase; CINAHL; Web of Science; BDTD, OpenGrey, OpenThesis, RCAAP, Portal de Teses e Dissertações da CAPES, DART-Europe E-theses Portal e Theses Canada Portal (catálogos Aurora e Voilà). Os descritores e palavras-chave utilizados, combinados com os operadores booleanos OR, AND e NOT, foram: “Physicians”, “Médicos”, “Atitude”, “Attitude”, “Conhecimento”, “Knowledge”, “Behavior”, “Atendimento Médico”, “Cuidados Médicos”, “Medical Care”, “Serviços Hospitalares”, “Hospital Services”, “Hospital”, “Hospitalists”, “Médicos Hospitalares”, “Maus-Tratos ao Idoso”, “Elder Abuse”, “Physical Abuse”, “Elder Neglect”, “Aged Abuse”, “Elder Mistreatment”. Resultados seis trabalhos foram selecionados. Evidenciou-se falta de conhecimento sobre o tema e a abordagem, e de treinamento específico. Quanto às habilidades, os achados que mais levaram os médicos a suspeitarem de abuso foram achados físicos ligados à aparência, higiene e lesões - problemas de comunicação e relacionamento foram pouco apontados. Na atitude houve pesquisa de abusos em apenas 44% das suspeitas e percentuais baixos ou nulos de denúncia de casos. Apenas um estudo explorou a atitude frente às negligências, onde 24,8% relataram aos serviços sociais e 21,3% informaram à polícia. Conclusão a maioria dos casos de VCPI continua não percebida e, consequentemente, não reportada ou manejada. Há múltiplos problemas quanto às competências dos médicos hospitalares ao abordarem tais situações, cenário que expõe a demanda por medidas de sensibilização, capacitação e incentivo ao adequado enfrentamento da VCPI.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".