The Impact of Seasonal Operating Room Closures on Wait Times for Oral Cancer Surgery
Notice bibliographique
Résumé
Background: Operating room slowdowns occur at specific intervals in the year as a cost-saving measure. We aim to investigate the impact of these slowdowns on the care of oral cavity cancer patients at a Canadian tertiary care centre. Methods: A total of 585 oral cavity cancer patients seen between 1999 and 2015 at the London Health Science Centre (LHSC) Head and Neck Multidisciplinary Clinic were included in this study. Operating room hours and patient load from 2006 to 2014 were calculated. Our primary endpoint was the wait time from consultation to definitive surgery. Exposure variables were defined according to wait time intervals occurring during time periods with reduced operating room hours. Results: Overall case volume rose significantly from 2006 to 2014 (p < 0.001), while operating room hours remained stable (p = 0.555). Patient wait times for surgery increased from 16.3 days prior to 2003 to 25.5 days in 2015 (p = 0.008). Significant variability in operating room hours was observed by month, with lowest reported for July and August (p = 0.002). The greater the exposure to these months, the more likely patients were to wait longer than 28 days for surgery (odds ratio per day [OR]: 1.07, 95% confidence interval [CI]: 1.05 to 1.10, p < 0.001). Individuals seen in consultation preceding a month with below average operating room hours had a higher risk of disease recurrence and/or death (hazard ratio [HR]: 1.59, 95% CI: 1.10 to 2.30, p = 0.014). Conclusions: Scheduled reductions in available operating room hours contribute to prolonged wait times and higher disease recurrence. Further work is needed to identify strategies maximizing efficient use of health care resources without negatively affecting patient outcomes.
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 | 0,001 | 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 ».