Using an e-Delphi technique in achieving consensus across disciplines for developing best practice in day surgery in Ireland
Notice bibliographique
Résumé
Background: The benefits of day surgery are supported internationally by the provision of standards. However, standards from one health jurisdiction are not readily transferable to others as national health strategy, policy and funding are influencing factors. Objective: To determine, through consensus from experts in day surgery, a list of best practice statements for day surgery in Ireland. Methods: A three round e-Delphi technique. Professionals in surgery, anaesthesia, nursing and management involved in day surgery across all hospitals in Ireland were invited to participate as the expert panel. In round 1 a list of proposals for best practice were obtained from panel members. In round 2 experts were asked to rank each statement according to their importance on a nine point scale (1 = not important, 9 = high importance) using an online questionnaire. Consensus was set at 70%, meaning the items that 70% of people deemed to be important were carried over to round 3. A repeat online questionnaire was conducted with the remaining statements in round 3. Results: Round 1 provided 261 statements. These were grouped and reduced to 62 statements for ranking. Following the iterative process over the subsequent two rounds a final list of 40 statements were developed and grouped into six thematic areas. Conclusion: By using an e-Delphi process of gaining consensus among experts working in day surgical services, a list of best practice statements were developed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,279 | 0,225 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».