Surgical Site Infection Prevention: A Qualitative Analysis of an Individualized Audit and Feedback Model
Notice bibliographique
Résumé
BACKGROUND: Surgical site infection (SSI) adversely affects patient outcomes and health care costs, so prevention of SSI has garnered much attention worldwide. Surgical site infection is recognized as an important quality indicator of patient care and safety. The purpose of this study was to use qualitative research methods to evaluate staff perceptions of the utility and impact of individualized audit and feedback (AF) data on SSI-related process metrics for their individual practice, as well as on overall communication and teamwork as they relate to SSI prevention. STUDY DESIGN: This study was performed in a tertiary care center, based on patients treated in the colorectal and hepatic-pancreatic-biliary surgical oncology services. Eighteen clinicians were interviewed. Analysis of interviews via comparative analysis techniques and coding strategies were used to identify themes. RESULTS: The most important finding of this study was that although nearly all participants believed that the individualized AF model was useful in effecting individual practice change as well as improving awareness and accountability around individual roles in preventing SSIs, it was not seen as a means to enable the multidisciplinary teamwork required for sustainable practice changes. Moreover, such teamwork requires a team leader. CONCLUSIONS: Provision of individualized AF data had a significant impact on promoting individual practice change. Despite this, we concluded that practice change is a shared responsibility, requiring a team leader. So, AF had little bearing on establishing a necessary multidisciplinary team approach to SSI prevention, to create more effective and sustainable practice change among an entire team.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».