Adverse Events in the Operating Room: Definitions, Prevalence, and Characteristics. A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Adverse events occur commonly in the operating room (OR) and often contribute to morbidity, mortality, and increased healthcare spending. Validated frameworks to measure and report postoperative outcomes have long existed to facilitate exchanges of structured information pertaining to postoperative complication rates in order to improve patient safety. However, systematic evidence regarding measurement and reporting of intraoperative adverse events (iAE) is still lacking. METHODS: We searched Ovid Medline, Embase, and Cochrane databases for articles published up to June 2016 that measured and reported iAE. We presented the terms and definitions used to describe iAE. We identified the types of reported iAE and summarized them into discrete categories. We reported frequencies of iAE by detection methods. RESULTS: Of the 47 included studies, 30 were cross-sectional, 14 were case-series, and 3 were cohort studies. The studies used 16 different terms and 22 unique definitions to describe 74 types of iAE. Frequencies of iAE appeared to vary depending on the detection methods, with higher numbers reported when direct observation in the OR was used to detect iAE. Twenty studies assessed severity of iAE, which were mostly based on whether they resulted in postoperative outcomes. CONCLUSIONS: This study systematically reviewed the current evidence on prevalence and characteristics of iAE that were detected by direct observation, reviews of patient charts, administrative data and incident reports, and surveys and interviews of healthcare providers. Our findings suggest that direct observation method has the most potential to identify and characterize iAE in detail.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 |
| 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 ».