Surgical Fires and Burns: A 5-Year Analysis of Medico-legal Cases
Notice bibliographique
Résumé
Surgical fires and unintended intraoperative burns cause serious patient harm, yet surveillance data are lacking in Canada. Medico-legal data provide unique descriptions of these events which can inform burn prevention strategies. We extracted 5 years of data on closed (2012-2016) medico-legal cases involving surgical fires and burns from the database of our organization which, in 2016, provided medico-legal support to >93,000 Canadian physicians. We performed a retrospective descriptive analysis of contributing factors using an in-house coding system and case reviews. We identified 53 eligible burn cases: 26 from thermal sources (49.1%), 16 from fires (30.2%), 5 from chemical sources (9.4%), and 6 from undetermined sources (11.3%). Common burn sources were electrosurgical equipment, lasers, lighting, and improper temperatures (causing thermal burns), cautery or lasers combined with supplemental oxygen and/or a flammable fuel source (causing fire), and improperly applied solutions including antiseptics (causing chemical burns). Nontechnical factors also contributed to patient outcomes, such as nonadherence to protocols (15 cases, 28.3%), failures in surgical team communication (3 cases, 5.7%), and lost situational awareness leading to delays in recognizing and treating burns (7 cases, 13.2%). This retrospective study highlights a need for improved surgical safety interventions to address surgical fires and burns. These interventions could include: effectively implemented surgical safety protocols, surgical team communication strategies, and raising awareness about preventing, diagnosing, and managing surgical burns.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».