Quantifying recall bias in surgical safety: a need for a modern approach to morbidity and mortality reviews
Notice bibliographique
Résumé
Background: Despite recent investments into reducing errors and adverse events in health care, methods for quality improvement in surgery are outdated and ineffective. Most current efforts in this field are centred around morbidity and mortality conferences (MMCs), which have remained unchanged for over 100 years. The present study aimed to quantify the recall bias associated with details from surgical cases. Methods: We gathered immediate postoperative questionnaires from 1 surgeon, 1 fellow and 11 trainees following 25 routine surgical cases. Information elicited included their perceived level of concentration, mental preparedness and assessment of whether the procedure deviated from its expected course, including any intraoperative adverse events. We readministered the questionnaire 7−9 days later to assess participants’ ability to recall important aspects of the procedure. Results: After 1 week, members of the surgical team were universally inaccurate in their recollection of even major details from the operating room. Although most participants felt mentally prepared and perceived no issues with concentration during the case, all participants misclassified operations as having been performed with or without adverse events in almost every included case. Conclusion: Our findings show that recall bias regarding surgical safety events is exceedingly common. This likely has a major impact on the integrity of data presented at MMCs.
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 | 0,482 | 0,702 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,005 |
| Bibliométrie | 0,017 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,019 | 0,023 |
| Science ouverte | 0,008 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».