Reducing the Burden of Surgical Harm
Notice bibliographique
Résumé
OBJECTIVE: To perform a systematic review of interventions used to reduce adverse events in surgery. BACKGROUND: Many interventions, which aim to improve patient safety in surgery, have been introduced to hospitals. Little is known about which methods provide a measurable decrease in morbidity and mortality. METHODS: MEDLINE, EMBASE, and Cochrane databases were searched from inception to Week 19, 2012, for systematic reviews, randomized controlled trials (RCTs), and cross-sectional and cohort studies, which reported an intervention aimed toward reducing the incidence of adverse events in surgical patients. The quality of observational studies was measured using the Newcastle-Ottawa Scale. RCTs were assessed using the Cochrane Collaboration's tool for assessing risk of bias. RESULTS: Ninety-one studies met inclusion criteria, 26 relating to structural interventions, 66 described modifying process factors. Only 17 (of 42 medium to high quality studies) reported an intervention that produced a significant decrease in morbidity and mortality. Structural interventions were: improving nurse to patient ratios (P = 0.008) and Intensive Care Unit (ITU) physician involvement in postoperative care (P < 0.05). Subspecialization in surgery reduced technical complications (P < 0.01). Effective process interventions were submission of outcome data to national audit (P < 0.05), use of safety checklists (P < 0.05), and adherence to a care pathway (P < 0.05). Certain safety technology significantly reduced harm (P = 0.02), and team training had a positive effect on patient outcome (P = 0.001). CONCLUSIONS: Only a small cohort of medium- to high-quality interventions effectively reduce surgical harm and are feasible to implement. It is important that future research remains focused on demonstrating a measurable reduction in adverse events from patient safety initiatives.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».