Identification of appropriate patients for preoperative evaluation: A quality improvement project
Notice bibliographique
Résumé
Objective: Appropriate preoperative evaluation is essential for safe surgical care. Cost containment and “best practice” suggest that preoperative testing should be matched to patient co-morbidities and the magnitude of the planned procedure. The purpose of this project was to reduce the number of unnecessary referrals to our preoperative evaluation clinic (POE), increase clinic capacity for medically complex patients including diabetics, and quantify the reduction in institutional cost associated with the project.Methods: In addition to other educational activities, a simplified algorithm and optional screening tool were created to assist surgeons with determining which patients should go to POE. A sub-group of pilot surgeons were selected to participate and their POE referral performance was tracked and shared with them. Surgeons were encouraged to send all of their diabetic patients through POE. A cost analysis was carried out to quantify changes in institutional average cost per case for preoperative evaluation, before vs. after project launch. The first quarter of 2013 (pre-project launch) was compared to first quarter 2015.Results: Pilot surgeons reduced referrals to POE by 30%, while decreasing the institutional average cost per case of preoperative evaluation by > 50%. Clinic capacity for complex patients increased, although diabetic referrals remained flat during the project. There was no increase in day of surgery cancellations.Conclusions: This project demonstrates that patterns of preoperative evaluation for healthy patients undergoing low-acuity surgery can be changed, bringing about cost savings, without increasing day of surgery cancellations.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».