Improving patient flow in a regional anaesthesia block room
Notice bibliographique
Résumé
University Hospital is a tertiary academic centre in London, Ontario, Canada. A designated space known as the block room (BR) supports a model of care to perform regional anaesthesia prior to entering the resource intense operating room (OR). Stress due to time pressure was reported by BR staff. It was presumed that upstream delays in patient admission, preparation, transportation and in the BR resulted in late OR starts. There was limited data for a patient's preoperative transit at our institution. A prospective quality improvement project was conceived to understand and address concerns surrounding patient flow. Using Plan-Do-Study-Act (PDSA) methodology, we collected baseline data of patients perioperative transit and performed three PDSA cycles for improvement. We established targets for OR entry time and patient arrival to the BR. We examined communication between the surgical preparation unit, BRandORs, involved stakeholders in decision making and continuously sourced feedback for improvement. Over three incremental rapid PDSA cycles and reaudit of our baseline, we found a statistically significant improvement in patients arriving to the BR 60 min prior to the scheduled OR time from a baseline of 31%-53% (p=0.04) and patient operations commencing on time improved from 52% to 65% (p=0.03). The availability of patients in the BR within 15 min of a decision to have them available reached 98% from a baseline of 69% (p<0.001). As a result of the quality improvement process, we were able to significantly improve the flow of the preoperative patient journey at our institution. With a better understanding of complex preoperative processes, we can strategically intervene and potentially improve efficiency, morale and safety.
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 | 0,004 | 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 | 0,000 | 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) | 0,001 | 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 ».