Show simple item record

dc.contributor.advisorOliveira, Fernanda dos Santos dept_BR
dc.contributor.authorMeneses, Arateus Crysham Francopt_BR
dc.date.accessioned2024-08-01T06:39:55Zpt_BR
dc.date.issued2024pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/276792pt_BR
dc.description.abstractInfecções hospitalares estão entre as principais causas de óbito no mundo e, em muitos casos, questionamentos sobre a origem das mesmas são de difícil constatação. O Ensaio Clínico Randomizado (ECR) sempre foi considerado a técnica padrão em estudos clínicos para elucidar relações de causalidade, porém, no contexto das Infecções Associadas à Assistência à Saúde (IRAS), este método nem sempre é adequado ou viável. Algoritmos de inferência causal surgem como uma alternativa importante para elucidar tais relações de causa e efeito, no entanto, a falta de compreensão do uso de tais métodos gera ampla heterogeneidade dos resultados, o que torna a análise dos resultados em revisões sistemáticas uma tarefa inviável. Devido a falta de padronização desses estudos, um framework deve servir como ferramenta fundamental para que teses de inferência causal possam emergir e, assim, proporcionar-lhes diretrizes de implementação, permitindo colaborações interdisciplinares entre estatísticos e especialistas em doenças infecciosas, levando a quebra de algumas das barreiras para a implementação de inferências causais em estudos observacionais na área das IRAS.pt_BR
dc.description.abstractHospital infections are among the leading causes of death worldwide, and some inquiries regarding their origin are difficult to establish. The Randomized Controlled Trial (RCT) has always been considered the standard technique in clinical studies to elucidate causality relationships; however, in the context of Healthcare-Associated Infections (HAIs), this method is not always appropriate or feasible. Causal inference algorithms emerge as an important alternative to elucidate such cause-and-effect relationships, but the lack of understanding of the use of such methods generates a wide heterogeneity of results, which makes analyzing the results in systematic reviews an unfeasible task. Due to the lack of standardization of such studies, a framework should serve as a fundamental tool for causal inference theses to emerge and, thus, provide them with implementation guidelines, allowing interdisciplinary collaborations between statisticians and infectious disease scholars, and breaking down some of the barriers to the implementation of causal inferences in observational studies in the HAI area.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectCausal inferenceen
dc.subjectInferência estatísticapt_BR
dc.subjectHospital infectionsen
dc.subjectInfecção hospitalarpt_BR
dc.subjectCausalidadept_BR
dc.subjectHealthcare-associated infectionsen
dc.subjectCausal frameworken
dc.titleFramework para estudos de inferência causal em estudos observacionais sobre infecções relacionadas à assistência à saúdept_BR
dc.typeDissertaçãopt_BR
dc.contributor.advisor-coSantos, Rodrigo Pires dospt_BR
dc.identifier.nrb001207314pt_BR
dc.degree.grantorHospital de Clínicas de Porto Alegrept_BR
dc.degree.programPrograma de Pós-Graduação em Pesquisa Clínicapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2024pt_BR
dc.degree.levelmestrado profissionalpt_BR


Files in this item

Thumbnail
   

This item is licensed under a Creative Commons License

Show simple item record