Current practices in perioperative blood management for patients undergoing liver resection: a survey of surgeons and anesthesiologists
Notice bibliographique
Résumé
BACKGROUND: Development of intraoperative techniques and blood management strategies in liver resection, and the multidisciplinary nature of perioperative transfusion decision making, creates an opportunity for practice variation. The aim of this study was to describe the current practices in perioperative blood management and explore differences between surgeons and anesthesiologists. STUDY DESIGN AND METHODS: A Web-based survey was developed, piloted, and circulated to Canadian liver surgeons and anesthesiologists. The survey focused on management of preoperative anemia, blood conservation strategies, estimation of blood loss, and transfusion decision making in a multidisciplinary setting. RESULTS: A total of 198 physicians received the survey, with 117 responding (59%). Most responding surgeons (67%) perform more than 20 liver resections per year, while most responding anesthesiologists (90%) take part in fewer than 20. Anesthesiologists most commonly stated that preoperative anemia is managed by someone else (38%), while surgeons most commonly reported "no specific treatment" (45%). The most common intraoperative blood conservation technique used is administration of antifibrinolytics (63% used them at least occasionally). The most important factor for anesthesiologists when deciding on an intraoperative transfusion was hemoglobin value (47%); for surgeons, it was patient hemodynamics (33%). Compared to when they started their career, 60% of respondents felt that they were less likely to transfuse a patient now. CONCLUSION: The results of our survey provide insights into current transfusion practice and decision making in liver resection, including a comparison between anesthesiologist and surgeon transfusion behavior. Management of preoperative anemia, increased use of intraoperative blood conservation techniques, and improved communication between providers were identified as targets for quality improvement.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».