Simulation-Based Trial of Surgical-Crisis Checklists
Notice bibliographique
Résumé
BACKGROUND: Operating-room crises (e.g., cardiac arrest and massive hemorrhage) are common events in large hospitals but can be rare for individual clinicians. Successful management is difficult and complex. We sought to evaluate a tool to improve adherence to evidence-based best practices during such events. METHODS: Operating-room teams from three institutions (one academic medical center and two community hospitals) participated in a series of surgical-crisis scenarios in a simulated operating room. Each team was randomly assigned to manage half the scenarios with a set of crisis checklists and the remaining scenarios from memory alone. The primary outcome measure was failure to adhere to critical processes of care. Participants were also surveyed regarding their perceptions of the usefulness and clinical relevance of the checklists. RESULTS: A total of 17 operating-room teams participated in 106 simulated surgical-crisis scenarios. Failure to adhere to lifesaving processes of care was less common during simulations when checklists were available (6% of steps missed when checklists were available vs. 23% when they were unavailable, P<0.001). The results were similar in a multivariate model that accounted for clustering within teams, with adjustment for institution, scenario, and learning and fatigue effects (adjusted relative risk, 0.28; 95% confidence interval, 0.18 to 0.42; P<0.001). Every team performed better when the crisis checklists were available than when they were not. A total of 97% of the participants reported that if one of these crises occurred while they were undergoing an operation, they would want the checklist used. CONCLUSIONS: In a high-fidelity simulation study, checklist use was associated with significant improvement in the management of operating-room crises. These findings suggest that checklists for use during operating-room crises have the potential to improve surgical care. (Funded by the Agency for Healthcare Research and Quality.).
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 | 0,010 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».