Teaching surgery takes time: the impact of surgical education on time in the operating room
Notice bibliographique
Résumé
BACKGROUND: It is generally accepted that surgical training is associated with increased surgical duration. The purpose of this study was to determine the magnitude of this increase for common surgical procedures by comparing surgery duration in teaching and nonteaching hospitals. METHODS: This retrospective population-based cohort study included all adult residents of Ontario, Canada, who underwent 1 of 14 surgical procedures between 2002 and 2012. We used several linked administrative databases to identify the study cohort in addition to patient-, surgeon- and procedure-related variables. We determined surgery duration using anesthesiology billing records. Negative binomial regression was used to model the association between teaching versus nonteaching hospital status and surgery duration. RESULTS: Of the 713 573 surgical cases included in this study, 20.8% were performed in a teaching hospital. For each procedure, the mean surgery duration was significantly longer for teaching hospitals, with differences ranging from 5 to 62 minutes across individual procedures in unadjusted analyses (all p < 0.001). In regression analysis, procedures performed in teaching hospitals were associated with an overall 22% (95% confidence interval 20%-24%) increase in surgery duration, adjusting for patient-, surgeon- and procedure-related variables as well as the clustering of patients within surgeons and hospitals. CONCLUSION: Our results show that a wide range of surgical procedures require significantly more time to perform in teaching than nonteaching hospitals. Given the magnitude of this difference, the impact of surgical training on health care costs and clinical outcomes should be a priority for future studies.
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 | 0,003 | 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) | 0,001 | 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 ».