Morbidity and mortality conferences in general surgery: a narrative systematic review
Notice bibliographique
Résumé
Background: In medical and surgical departments around the world, morbidity and mortality conferences (MMC) serve dual roles: they are cornerstones of quality-improvement programs and provide timely opportunities for education within the urgent context of clinical care. Despite the widespread adoption of MMCs, adverse events and preventable errors remain high or incompletely characterized, and opportunities to learn from and adjust to these events are frequently lost. This review examines the published literature on strategies to improve surgical MMCs. Methods: We searched OVID Medline, PubMed, Embase and CENTRAL. We defined our combination of search terms using a PICO (population, intervention, comparison, outcome) model, focusing on the use of MMCs in general surgery. Results: The MMC literature focused on 5 themes: educational value, error analysis, case selection and representation, attendance and dissemination. Strategies used to increase educational value included limiting case presentation time to 15-20 minutes, mandatory brief literature reviews, increasing audience interaction, and standardizing presentations using a PowerPoint template or SBAR (situation, background, assessment, recommendation) format. Interventions to improve error analysis included focused discussion on causative factors and taxonomic error analysis. Case selection was improved by using an electronic clinical registry, such as the National Surgery Quality Improvement Program, to better capture incidence of morbidity and mortality. Attendance was improved with teleconferencing. Dissemination strategies included MMC newsletters, incorporating MMCs into plan-do-check-act cycles, and surgeon report cards. Conclusion: Greater standardization of best practices may increase the quality improvement and educational impact of MMCs and provide a baseline to measure the effect of new MMC format innovations on the clinical and educational performance of surgical systems.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».