A case study: Applying quality improvement methods to reduce pre-operative length of stay in a resource-constrained setting in Rwanda
Notice bibliographique
Résumé
Objective: While several studies have focused on improving the quality of surgery, less attention has been paid to reducing pre-operative delays in care. We undertook a hospital quality improvement (QI) effort to reduce pre-operative delays in a teaching hospital in Rwanda. Without a coordinated admission schedule, many surgical patients arriving at the hospital for admissions were turned away because of unavailable beds. For those admitted for surgery, the pre-operative waits were long.Methods: A pre- and post-intervention study was conducted to examine the impact of a QI effort on two metrics: 1) pre-operative length-of-stay (LOS) for elective surgical patients, and 2) the number of elective surgical patients who were turned away on the scheduled admission date. Intervention: A multi-disciplinary work group utilized a Strategic Problem Solving Approach and implemented a centralized patient wait list and new schedule process utilizing the existing resources available at the hospital.Results: The percentage of elective surgical patients with a pre-operative LOS of more than two days was significantly lower in the post-intervention compared with the pre-intervention period (80% versus 26.8%, p-value < .001). The percentage of scheduled patients who were turned away due unavailable inpatient beds significantly decreased from 63.4% to 5.3%, p-value < .001.Conclusions: By following a methodical strategic problem solving approach, the pre-operative LOS was reduced, elective surgical patients turned away due to unavailable beds was decreased at very low financial cost.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».