Objetivo é sintetizar os conhecimentos científicos a respeito da humanização da assistência de enfermagem no parto natural, buscando destacar a importância da assistência humanizada durante o parto, apontando sobre seu papel no desenvolvimento de ações de humanização em um centro obstétrico de uma maternidade de referência. Método: A busca de dados foi realizada nas bases de dados: SciELO e Google Scholar a partir dos descritores em ciências da saúde: Enfermagem; Desafios e Parto humanizado, resultando na seleção final de 29 artigos. Resultados: A implantação de uma assistência de enfermagem humanizada durante o parto favorece o fortalecimento do vínculo profissional e paciente, garantindo o direito de escolha durante o trabalho de parto. Conclusão: Apesar das dificuldades com espaços inadequados e falta de matérias, a educação em saúde desempenhada pelos enfermeiros pode conscientizar a adesão ao parto natural como também a pratica da humanização por parte de outros profissionais de saúde.
Introdução: As doenças que acometem o trato respiratório são agudas ou crônicas e apresentam uma das maiores taxas de mortalidade do mundo, afetando diretamente milhões de pessoas de todas as idades. A pneumonia é descrita como uma doença conhecida desde os primórdios da humanidade, encontrada nos antigos escritos gregos, romanos e árabes. O conhecimento da atividade microbiana na pneumonia e o Streptococcus como agente causador foi descoberto há cerca de 120 anos. Métodos: Trata-se de uma Revisão Integrativa, que apresenta como pergunta norteadora a existência de evidências sobre o alto número de crianças internadas em unidades pediátricas com pneumonia viral, tendo como desfecho possibilitar uma melhor orientação nos cuidados preventivos. Resultados e discussão: Os achados evidenciam a necessidade de realizar a educação com os responsáveis legais de crianças, uma vez que esse público, por apresentar maior consciência em relação da vulnerabilidade para pneumonia. Conclusão: Os vírus desencadeadores da pneumonia viral são responsáveis por gripes e resfriados, como o Influenza A, B ou C, H5N1, H1N1 e até mesmo o novo coronavírus do COVID-19.
Objectives: This study presents a generic taxonomic framework as a roadmap for users who wish to implement systems for detecting fraud and waste in health data; this roadmap outlines which unsupervised machine learning techniques can be used to detect anomalies in health data, and whether these anomalies are point, contextual, or collective. Methods: The research employed the Design Science Research (DSR) methodology in five stages: awareness, ideation, development, evaluation, and conclusion. The proposed taxonomic framework was designed through the implementation of the artifact, using the “Sample 1 to Inpatient Claims CMS 2008–2010 Data Entrepreneurs’ Synthetic Public Use File (DE-SynPUF)” database, which contains 66,773 records and 81 features. The dataset was applied to the K-Means, Isolation Forest (IF), and Local Outlier Factor (LOF) algorithms for point anomaly detection. Results: The number of anomalies detected by at least one of the algorithms was 13,966, representing (20.9%) of the dataset; K-Means alone detected 1608 (2.4%), IF alone detected 4522 (6.8%), LOF alone detected 2301 (3.4%), K-Means and IF together detected 4497 (6.7%), K-Means and LOF together detected 41 (0.1%), IF + LOF combined detected 465 (0.7%), and all three algorithms in consensus detected 532 (0.8%). Conclusions: Thus, the taxonomic framework proposed in this study can be viewed as a roadmap for researchers and developers seeking to understand which unsupervised technique to apply in detecting anomalies in health data, considering the type of anomaly.