Notice bibliographique
Résumé
OBJECTIVE: Surgical error is common and contributes to complications for patients, necessitating detailed prospective collection and analysis of error data that emphasizes prevention. METHODS: One neurosurgeon prospectively recorded errors and complications for consecutive patients undergoing elective neurosurgical procedures. Each error was scored for type, severity, preventability, and consequence. RESULTS: Between May 2000 and August 2006, 1108 elective cases were studied, comprising 76.1% cranial, 22.7% spinal, and 1.2% other procedures. There were 2684 errors in 87.1% of cases. The most common errors were technical (27.8%), contamination (25.3%), equipment failure or missing equipment (18.2%), or related to delay (12.5%). Of the errors, 22.6% were considered major and 77.4% were minor, with 2.7% of errors substantially impacting the clinical course of the patient. Of all errors, 78.5% were deemed preventable. Of the complications, 16.7% were related to errors, of which 80.6% were major errors. Of the error-related complications, 74.2% were declared preventable. A propensity for error was identified with cranial procedures and patients with higher American Society of Anesthesiologists scores (P < 0.01). CONCLUSION: Surgical errors are common, often preventable, and frequently lead to clinical impact. In addition, the type of procedure and characteristics of the patient are important factors to consider when addressing surgical error. For individual surgeons to maintain quality control and contribute to the safety of the health care system, they must track and analyze errors to ensure that systems may be developed to prevent their occurrence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».