MétaCan
Menu
Retour à la cohorte
Enregistrement W2997869298 · doi:10.1111/anae.14921

Towards high‐quality peri‐operative care: a global perspective

2020· review· en· W2997869298 sur OpenAlexaff
Vatshalan Santhirapala, Carol J. Peden, John G. Meara, Bruce Biccard, Adrian W. Gelb, Walter D. Johnson, Michael S. Lipnick, Emmanuel Makasa, Janet Martin, Salome Maswime, Jannicke Mellin‐Olsen, Craig D. McClain

Notice bibliographique

RevueAnaesthesia · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueSurgical site infection prevention
Établissements canadiensWestern University
Organismes subventionnairesKennedy Memorial TrustGE FoundationWorld Health Organization
Mots-clésMedicinePerspective (graphical)Quality (philosophy)PeriIntensive care medicineInternal medicineEpistemology

Résumé

récupéré en direct d'OpenAlex

Article 25 of the United Nations' Universal Declaration of Human Rights enshrines the right to health and well-being for every individual. However, universal access to high-quality healthcare remains the purview of a handful of wealthy nations. This is no more apparent than in peri-operative care, where an estimated five billion individuals lack access to safe, affordable and timely surgical care. Delivery of surgery and anaesthesia in low-resource environments presents unique challenges that, when unaddressed, result in limited access to low-quality care. Current peri-operative research and clinical guidance often fail to acknowledge these system-level deficits and therefore have limited applicability in low-resource settings. In this manuscript, the authors priority-set the need for equitable access to high-quality peri-operative care and analyse the system-level contributors to excess peri-operative mortality rates, a key marker of quality of care. To provide examples of how research and investment may close the equity gap, a modified Delphi method was adopted to curate and appraise interventions which may, with subsequent research and evaluation, begin to address the barriers to high-quality peri-operative care in low- and middle-income countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,001
Communication savante0,0030,004
Science ouverte0,0010,002
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,428
Écart entre enseignants0,370 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnaesthesiaMême sujetSurgical site infection preventionTravaux en français237 207