Cross-sectional study of surgical quality with a novel evidence-based tool for low-resource settings
Notice bibliographique
Résumé
BACKGROUND: Adverse events from surgical care are a major cause of death and disability, particularly in low-and-middle-income countries. Metrics for quality of surgical care developed in high-income settings are resource-intensive and inappropriate in most lower resource settings. The purpose of this study was to apply and assess the feasibility of a new tool to measure surgical quality in resource-constrained settings. METHODS: This is a cross-sectional study of surgical quality using a novel evidence-based tool for quality measurement in low-resource settings. The tool was adapted for use at a tertiary hospital in Amazonas, Brazil resulting in 14 metrics of quality of care. Nine metrics were collected prospectively during a 4-week period, while five were collected retrospectively from the hospital administrative data and operating room logbooks. RESULTS: 183 surgeries were observed, 125 patient questionnaires were administered and patient charts for 1 year were reviewed. All metrics were successfully collected. The study site met the proposed targets for timely process (7 hours from admission to surgery) and effective outcome (3% readmission rate). Other indicators results were equitable structure (1.1 median patient income to catchment population) and equitable outcome (2.5% at risk of catastrophic expenditure), safe outcome (2.6% perioperative mortality rate) and effective structure (fully qualified surgeon present 98% of cases). CONCLUSION: It is feasible to apply a novel surgical quality measurement tool in resource-limited settings. Prospective collection of all metrics integrated within existing hospital structures is recommended. Further applications of the tool will allow the metrics and targets to be refined and weighted to better guide surgical quality improvement measures.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».