LIBERTAS SAÚDE

Projeto Escovando Sorrisos

2026-02-26T13:10:38+01:00

A promoção da saúde bucal na infância é fundamental para a prevenção da cárie dentária e para o desenvolvimento de hábitos saudáveis ao longo da vida. Estratégias educativas no ambiente escolar têm se mostrado eficazes na construção do autocuidado e na redução de agravos bucais. O estudo teve como objetivo descrever as ações desenvolvidas pelo Projeto Escovando Sorrisos, destacando sua contribuição para a promoção da saúde bucal infantil. Relato de experiência de caráter descritivo, baseado em atividades educativo preventivas. As ações possibilitaram maior engajamento das crianças e responsáveis quanto à prática correta de higiene bucal, uso adequado do creme dental fluoretado e importância da alimentação com baixo teor de açúcares. O Projeto demonstra ser uma estratégia eficaz de promoção e educação em saúde bucal, alinhada às diretrizes do Sistema Único de Saúde e à Política Nacional de Saúde Bucal.

Tratamento endodôntico em dentes com rizogênese incompleta

2026-02-25T16:54:42+01:00

O presente trabalho tem como objetivo analisar a eficácia do hidróxido de cálcio no tratamento endodôntico de dentes com rizogênese incompleta. Trata- se de uma revisão de literatura de abordagem qualitativa e analítica, realizada a partir de artigos public ados entre 2010 e 2025, disponíveis nas bases Google Acadêmico e BVS. Foram pesquisados estudos que abordam o uso clínico do hidróxido de cálcio e sua comparação com o MTA e o Biodentine. Os resultados demonstram que o hidróxido de cálcio, apesar do tempo prolongado de tratamento, ainda é considerado o padrão-ouro por sua biocompatibilidade, capacidade de indução de barreira mineralizada e baixo custo. Alternativas como o MTA e o Biodentine apresentam vantagens quanto ao tempo de tratamento e selamento, porém têm custo mais elevado e disponibilidade restrita. Conclui- se que o hidróxido de cálcio permanece uma opção eficiente e acessível para a apicificação em dentes com rizogênese incompleta, especialmente em contextos clínicos e públicos.

Inteligência Artificial na anestesiologia (2023-2025)

2026-02-25T16:25:33+01:00

A anestesiologia exige vigilância rigorosa, historicamente baseada na detecção reativa de eventos adversos. A introdução da Inteligência Artificial (IA), englobando Machine Learning (ML) e Deep Learning (DL) no triênio 2023-2025, marca uma transição para a gestão preditiva e proativa da segurança do paciente. O objetivo desta revisão é analisar a eficácia dos sistemas de IA na previsão da Hipotensão Intraoperatória (HIO) e na otimização da dosagem de medicamentos, ao mesmo tempo que se examinam os complexos desafios éticos, legais e de infraestrutura que limitam sua adoção generalizada. A literatura recente indica que ferramentas como o Hypotension Prediction Index (HPI) reduzem significativamente a carga de hipotensão, enquanto sistemas closed-loop aprimorados por ML demonstram maior precisão e economia no consumo de agentes anestésicos, como o Propofol. Contudo, a superação de barreiras como o risco de viés algorítmico, a ausência de um marco regulatório claro para a responsabilização civil e a necessidade de validação multicêntrica e treinamento continuado representam obstáculos significativos. A síntese das evidências reafirma a utilidade clínica da IA, mas destaca a urgência de estabelecer governança e educação robustas para garantir a equidade e a segurança do paciente na prática anestesiológica contemporânea.

Conhecimento do graduando de odontologia na clínica de odontopediatria sobre a Diabetes Mellitus Tipo 1

2026-02-26T13:05:03+01:00

A Diabetes Mellitus Tipo 1 (DM1) é uma doença metabólica crônica autoimune, caracterizada pela destruição das células beta pancreáticas e consequente deficiência absoluta de insulina. É uma das doenças crônicas mais relevantes da infância, exigindo monitoramento contínuo e acompanhamento multiprofissional. No atendimento odontológico infantil, o controle glicêmico adequado é determinante para a prevenção de complicações sistêmicas e bucais. O objetivo do estudo foi avaliar o nível de conhecimento dos graduandos de Odontologia que atuam na clínica de Odontopediatria sobre a DM1 na infância e suas implicações clínicas.Estudo transversal, quantitativo e descritivo, realizado com alunos do 6º e 7º períodos do curso de Odontologia. Foi aplicado questionário estruturado contendo questões sobre reconhecimento de crises hipoglicêmicas e hiperglicêmicas, condutas frente a intercorrências, solicitação de glicemia capilar, uso de anestésicos com vasoconstritor e conhecimento das manifestações bucais associadas à DM1. Os dados foram analisados por estatística descritiva e apresentados em porcentagens.Observou-se que a maioria dos alunos realiza anamnese direcionada e reconhece sinais de hipoglicemia. Entretanto, verificaram-se deficiências quanto à solicitação de glicemia capilar prévia a procedimentos invasivos e quanto ao entendimento da relação bidirecional entre doença periodontal e controle glicêmico. Além disso, parte dos estudantes demonstrou insegurança no manejo de crises hiperglicêmicas durante o atendimento clínico. Embora apresentem conhecimento conceitual satisfatório, os graduandos demonstram limitações na aplicação prática. Destaca-se a necessidade de fortalecimento da formação acadêmica, com maior ênfase em protocolos de segurança e treinamentos clínicos, a fim de garantir atendimento odontológico infantil mais seguro e qualificado.

Predição de risco cardiovascular na estratégia saúde da família

2026-02-25T16:49:52+01:00

A doença cardiovascular permanece como a principal causa de morbimortalidade global, o que demanda estratégias de prevenção primária mais robustas e adaptadas à realidade dos sistemas de saúde. O presente estudo tem como objetivo realizar uma revisão sistemática da literatura sobre a aplicação de algoritmos de Machine Learning para a predição de risco cardiovascular no contexto da Atenção Primária à Saúde, especificamente na Estratégia Saúde da Família. A metodologia adotada consistiu em uma revisão de natureza narrativa e qualitativa, realizada na base de dados PubMed, compreendendo publicações entre janeiro de 2023 e dezembro de 2026, com foco na comparação entre modelos de inteligência artificial e escores de risco tradicionais. Os resultados evidenciam que algoritmos de aprendizado de máquina, como Random Forest, XGBoost e Deep Learning, superam consistentemente os métodos estatísticos convencionais em acurácia e discriminação de risco, além de viabilizarem o uso de biomarcadores digitais de baixo custo e a integração de determinantes sociais e variáveis de saúde mental nos modelos preditivos. Conclui-se que a implementação dessas tecnologias, aliada à telemedicina, apresenta-se como uma estratégia custo-efetiva e promissora para a personalização do cuidado e a otimização de recursos no Sistema Único de Saúde.

Predição precoce de sepse e choque séptico via machine learning

2026-02-25T16:20:23+01:00

A sepse e o choque séptico representam desafios críticos para a medicina intensiva devido à alta mortalidade e complexidade diagnóstica. O presente estudo objetiva analisar a eficácia comparativa entre protocolos tradicionais de triagem, especificamente o Quick Sequential Organ Failure Assessment (qSOFA), e modelos preditivos baseados em Machine Learning (ML) para a identificação precoce da síndrome. A metodologia compreende uma revisão narrativa da literatura científica publicada entre 2023 e 2026, selecionando estudos que aplicam algoritmos de Inteligência Artificial para otimizar intervenções terapêuticas na "Golden Hour". A análise examina a epidemiologia atualizada, a fisiopatologia e a aplicação clínica de técnicas avançadas como Deep Learning e Processamento de Linguagem Natural. Os resultados demonstram que os modelos de ML superam consistentemente os escores clínicos convencionais em sensibilidade e especificidade ao processarem variáveis vitais dinâmicas e multimodais em tempo real. Observa-se que essa superioridade tecnológica mitiga o risco de subdiagnóstico inerente aos métodos manuais. Conclui-se que a adoção de ferramentas preditivas automatizadas constitui uma mudança de paradigma necessária, embora a implementação clínica efetiva demande a superação de barreiras relacionadas à interpretabilidade algorítmica e à privacidade de dados para garantir a segurança do paciente.