MétaCan
Menu
Retour à la cohorte
Enregistrement W2781203652 · doi:10.1213/ane.0000000000002758

American Society for Enhanced Recovery and Perioperative Quality Initiative Joint Consensus Statement on Patient-Reported Outcomes in an Enhanced Recovery Pathway

2017· review· en· W2781203652 sur OpenAlexaff
Ramon Abola, Elliott Bennett‐Guerrero, Michael L. Kent, Liane S. Feldman, Julio F. Fiore, Andrew Shaw, Julie K. Thacker, Tong J. Gan, Timothy E. Miller

Notice bibliographique

RevueAnesthesia & Analgesia · 2017
Typereview
Langueen
DomaineMedicine
ThématiqueEnhanced Recovery After Surgery
Établissements canadiensMcGill University Health Centre
Organismes subventionnairesnon disponible
Mots-clésWorkgroupMedicinePerioperativeContext (archaeology)Delphi methodPatient-reported outcomeMEDLINEHealth careQuality managementQuality (philosophy)Best practicePatient satisfactionNursingQuality of life (healthcare)Operations managementSurgeryManagement

Résumé

récupéré en direct d'OpenAlex

Patient-reported outcomes (PROs) are measures of health status that come directly from the patient. PROs are an underutilized tool in the perioperative setting. Enhanced recovery pathways (ERPs) have primarily focused on traditional measures of health care quality such as complications and hospital length of stay. These measures do not capture postdischarge outcomes that are meaningful to patients such as function or freedom from disability. PROs can be used to facilitate shared decisions between patients and providers before surgery and establish benchmark recovery goals after surgery. PROs can also be utilized in quality improvement initiatives and clinical research studies. An expert panel, the Perioperative Quality Initiative (POQI) workgroup, conducted an extensive literature review to determine best practices for the incorporation of PROs in an ERP. This international group of experienced clinicians from North America and Europe met at Stony Brook, NY, on December 2-3, 2016, to review the evidence supporting the use of PROs in the context of surgical recovery. A modified Delphi method was used to capture the collective expertise of a diverse group to answer clinical questions. During 3 plenary sessions, the POQI PRO subgroup presented clinical questions based on a literature review, presented evidenced-based answers to those questions, and developed recommendations which represented a consensus opinion regarding the use of PROs in the context of an ERP. The POQI workgroup identified key criteria to evaluate patient-reported outcome measures (PROMs) for their incorporation in an ERP. The POQI workgroup agreed on the following recommendations: (1) PROMs in the perioperative setting should be collected in the framework of physical, mental, and social domains. (2) These data should be collected preoperatively at baseline, during the immediate postoperative time period, and after hospital discharge. (3) In the immediate postoperative setting, we recommend using the Quality of Recovery-15 score. After discharge at 30 and 90 days, we recommend the use of the World Health Organization Disability Assessment Scale 2.0, or a tailored use of the Patient-Reported Outcomes Measurement Information System. (4) Future study that consistently applies PROMs in an ERP will define the role these measures will have evaluating quality and guiding clinical care. Consensus guidelines regarding the incorporation of PRO measures in an ERP were created by the POQI workgroup. The inclusion of PROMs with traditional measures of health care quality after surgery provides an opportunity to improve clinical care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,195
score de la tête « metaresearch » (Gemma)0,199
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: aucune
Score de désaccord entre enseignants0,195
Score d'incertitude au seuil0,992

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1950,199
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,007
Bibliométrie0,0060,005
Études des sciences et des technologies0,0030,004
Communication savante0,0080,005
Science ouverte0,0070,013
Intégrité de la recherche0,0090,016
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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.

Tête enseignante Opus0,131
Tête enseignante GPT0,394
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations115
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnesthesia & AnalgesiaMême sujetEnhanced Recovery After SurgeryTravaux en français237 207