Managing and avoiding delay in operating theatres: a qualitative, observational study
Notice bibliographique
Résumé
RATIONALE, AIMS AND OBJECTIVES: A range of strategies have been proposed to identify and address operating theatre delays, including preoperative checklists, post-delay audits and staff education. These strategies provide a useful starting point in addressing delay, but their effectiveness can be increased through more detailed consideration of sources of surgical delay. METHOD: A qualitative, observational study was conducted at two Australian hospitals, one a metropolitan site and the other a regional hospital. Thirty surgeries were observed involving general, vascular and orthopaedic procedures which ranged in time from 20 minutes to almost 4 hours. Approximately 40 hours of observations were conducted in total. RESULTS: The research findings suggest that there are two key challenges involved in addressing operating theatre delays: unanticipated problems in the clinical condition of patients, and the capacity of surgeons to regulate their own time. These challenges create unavoidable delays due to the contingencies of surgical work and competing demands on surgeons' time. The results also found that surgical staff play a critical role in averting and anticipating delays. Differences in professional authority are significant in influencing how operating theatre time is managed. CONCLUSIONS: Strategies aimed at addressing operating theatre delays are unlikely to achieve their desired aims without a more detailed understanding of medical decision making and work practices, and the intra- as well as inter-professional hierarchies underpinning them. While the nature of surgical work poses some challenges for measures designed to address delays, it is also necessary to focus on surgical practice in devising workable solutions.
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 | 0,092 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».