Operating Room Utilization: A Retrospective Analysis of Perioperative Delays
Notice bibliographique
Résumé
Objective: Avoiding surgical delay in the operating room (OR) is essential to provide timely, safe, and cost-effective care. The objective of this study was to identify the causes of OR delays and assess trends related to surgical specialties or approaches. Materials and Methods: This retrospective study included all elective gynecology (Gyn), general surgery (GS), and urology (Uro) surgeries performed during a 12-month period. Operative case details, surgical times, and reasons for delays were retrieved from a perioperative database. Representative specialty-specific procedures (hysterectomy, colectomy, nephrectomy) were chosen and compared separately to assess trends in delays. Results: A total of 4206 surgeries were completed during the study period; of which 1447 (34%) were Gyn, 2226 (52%) GS, and 533 (12%) Uro. Delays occurred in 1010 Gyn (70%), 1304 GS (59%), and 225 Uro cases (48%). The most-common reason for delay was case-related—delays in case due to delays in prior cases—(n = 1171 [28%]), followed by patient-related delays (n = 458 [11%]), then delays in patient preparedness (n = 340 [8%]). These rates of delay frequency were similar across representative specialty-specific procedures. Delays were more frequent when comparing laparoscopic to open colectomy (38/51, 75% versus 24/25, 96%; p = 0.02), whereas there was no significant difference in delays between laparoscopic and open hysterectomy (162/198, 82% versus 50/68, 74%; p = 0.07) or nephrectomy (4/7, 57% versus 35/76, 46%; p = 0.70). Conclusions: This study suggests that among specialties and cases, the most-common cause of delays was case-related. These findings provide a platform from which to introduce quality-improvement initiatives. (J GYNECOL SURG 36:109)
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».