Operating list composition and surgical performance
Notice bibliographique
Résumé
BACKGROUND: Recent reviews suggest that the way in which surgeons prepare for a procedure (warm up) can affect performance. Operating lists present a natural experiment to explore this phenomenon. The aim was to use a routinely collected large data set on surgical procedures to understand the relationship between case list order and operative performance. METHOD: Theatre lists involving the 35 procedures performed most frequently by senior surgeons across 38 private hospitals in the UK over 26 months were examined. A linear mixed-effects model and matched analysis were used to estimate the impact of list order and the cost of switching between procedures on a list while controlling for key prognosticators. The influence of procedure method (open versus minimally invasive) and complexity was also explored. RESULTS: The linear mixed-effects model included 255 757 procedures, and the matched analysis 48 632 pairs of procedures. Repeating the same procedure in a list resulted in an overall time saving of 0·98 per cent for each increase in list position. Switching between procedures increased the duration by an average of 6·48 per cent. The overall reduction in operating time from completing the second procedure straight after the first was 6·18 per cent. This pattern of results was consistent across procedure method and complexity. CONCLUSION: There is a robust relationship between operating list composition and surgical performance (indexed by duration of operation). An evidence-based approach to structuring a theatre list could reduce the total operating time.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 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 ».