Estudo comparativo entre o método de medição axilar e timpânico Medición de la temperatura corporal en niños: Estudio comparativo entre el método de medición axilar y timpânico REVISTA DE ENFERMAGEM
Auto-generated profile, based on publicly available information
João Daniel Carvalho Borges
Estudo comparativo entre o método de medição axilar e timpânico Medición de la temperatura corporal en niños: Estudio comparativo entre el método de medición axilar y timpânico REVISTA DE ENFERMAGEM
Enquadramento: A temperatura corporal ? um dos sinais vitais mais avaliados nos cuidados de sa?de pedi?tricos para avalia??o e orienta??o cl?nica. Objetivos: Avaliar a concord?ncia entre a medi??o da temperatura por via axilar e timp?nica em crian?as dos 6 aos 36 meses. Metodologia: Estudo observacional e descritivo desenvolvido num hospital de n?vel II, em Portugal. O protocolo de medi??o da temperatura seguiu as orienta??es da Dire??o-Geral da Sa?de. Resultados: Participaram no estudo 331 crian?as. A diferen?a entre a temperatura timp?nica e axilar variou entre os 0,00?C e os 1,40?C com uma m?dia de 0,45?C ? 0,30?C e uma mediana de 0,50?C, com uma concord?ncia quase perfeita entre os dois m?todos. Observou-se um efeito no valor da temperatura consoante o m?todo utilizado em todas as vari?veis estudadas. Conclus?o: Existe uma concord?ncia quase perfeita entre estes dois m?todos de medi??o da temperatura, n?o influenciando a tomada de decis?o cl?nica. Dado a maior facilidade de implementa??o e exequibilidade, as vantagens do m?todo de avalia??o via timp?nica s?o superiores ao m?todo tradicional via axilar, pelo que poder? ser implementado como rotina na avalia??o da temperatura em crian?as dos 6 aos 36 meses.
As lesões musculoesqueléticas relacionadas ao trabalho (LMERT) representam uma preocupação significativa em diversos setores profissionais. Este artigo analisa a eficácia de programas ergonómicos e intervenções no ambiente laboral para a prevenção de distúrbios osteomusculares. Através de uma revisão de literatura baseada em estudos científicos disponíveis na base de dados PubMed, são discutidas estratégias como exercícios físicos no local de trabalho, uso de dispositivos assistivos e programas multidimensionais. Os resultados indicam que tais intervenções podem reduzir significativamente a incidência de queixas musculoesqueléticas, especialmente na região cervical e ombros, melhorando a saúde e o bem-estar dos trabalhadores.
O artigo analisa o papel central dos núcleos de investigação nas organizações de saúde, destacando a sua importância estratégica para a produção de conhecimento científico, inovação e melhoria da qualidade dos cuidados. São discutidas as principais funções destas estruturas, incluindo a coordenação de projetos, capacitação científica dos profissionais, promoção da colaboração multidisciplinar e disseminação do conhecimento. Evidencia-se ainda o impacto direto da investigação na prática clínica, com benefícios na segurança, personalização e eficiência dos cuidados de saúde. Apesar dos avanços, persistem desafios como o financiamento escasso, burocracia e ausência de uma cultura institucional de valorização da investigação. O artigo conclui com uma reflexão sobre as perspetivas futuras dos núcleos, apontando para a necessidade de maior integração em redes globais e adoção de tecnologias emergentes como a inteligência artificial e a análise de big data.
A inteligência artificial (IA) representa uma revolução nas ciências da saúde, oferecendo avanços significativos em diagnóstico, tratamento e investigação clínica. Contudo, a sua implementação enfrenta desafios críticos que precisam ser cuidadosamente geridos para garantir benefícios reais e equitativos. Um dos principais obstáculos é o viés nos dados utilizados para treinar algoritmos, que pode originar desigualdades no acesso e na qualidade dos cuidados, afetando especialmente grupos demográficos sub-representados. A privacidade e a segurança dos dados de saúde são outra preocupação central, devido à sensibilidade destas informações e aos riscos crescentes de ciberataques. A falta de transparência dos modelos de IA, frequentemente descritos como “caixas pretas”, dificulta a interpretabilidade e a confiança dos profissionais de saúde na tecnologia. Além disso, a regulamentação e a responsabilidade legal associadas ao uso da IA ainda são insuficientemente definidas, o que pode comprometer a segurança dos utentes e a adoção generalizada da tecnologia. Finalmente, a integração da IA nas rotinas clínicas enfrenta barreiras relacionadas com a usabilidade, formação dos profissionais e resistência à mudança. Para superar estes desafios, é essencial desenvolver políticas robustas, promover a diversidade e qualidade dos dados, garantir transparência e explicabilidade dos algoritmos, bem como investir na formação e envolvimento dos utilizadores finais.