Accelerating surgical quality improvement in Ontario through a regional collaborative: a quality-improvement study
Notice bibliographique
Résumé
BACKGROUND: The American College of Surgeons National Surgical Quality Improvement Program (NSQIP) collaborative in Ontario, the Ontario Surgical Quality Improvement Network (ON-SQIN), was launched in January 2015. We describe its approaches to support surgical quality improvement and examine its early impact on member hospitals. METHODS: All Ontario hospitals that participated in the ON-SQIN and NSQIP were included in this quality-improvement study. The primary intervention was the introduction of the ON-SQIN, and the secondary interventions included a community of practice and access to quality-improvement resources and tools. Outcome measures included the level of quality-improvement capacity, collaborative-wide aggregate data on postoperative complications, and self-reported rates of surgical site and urinary tract infections. RESULTS: Eighteen hospitals that enrolled in the ON-SQIN in 2015 reported an increase in their capacity for quality improvement after 18 months. Analysis of the collaborative-wide aggregate data in a 6-month period (14 748 surgical cases) revealed a substantial reduction of acute renal failure (relative risk 0.48, 95% confidence interval 0.25-0.95) and urinary tract infection (relative risk 0.77, 95% confidence interval 0.61-0.97). Most hospitals that targeted prevention of surgical site infection and urinary tract infection reported reduction of these occurrences during a 1-year period. INTERPRETATION: The ON-SQIN supported the uptake of the NSQIP in Ontario hospitals and promoted targeted surgical quality-improvement initiatives, resulting in increased quality-improvement capacity and development of the community of practice. Furthermore, our early experience suggests that improvements in surgical care are being realized.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,008 | 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 ».