Improvement Initiative to Ensure Quality Instrumentation in the OR
Notice bibliographique
Résumé
At Seattle Children's Hospital, in November 2016, the operating room (OR) physicians reported experiencing a high number of issues occurring during cases and believed a significant amount was related to sterile processing department (SPD) errors. These errors, hereafter called "defects," were not defined or routinely reported. There was no method of capturing these defects. There was no root cause analysis or trending of defect data. This project aimed to improve the quality of surgical instruments received in the OR. METHODS: The SPD and OR leaders collaborated to develop an OR Case Sign-Out form to capture defects during the case. The data were triaged and assigned to specific departments for root cause analysis. The SPD related data were depicted with a Pareto chart to highlight the most significant opportunities for improvement. We developed a driver diagram and identified the following interventions: orientation and competency, technician OR rotation, capacity/full-time employee analysis, surgical instruments inventory, instrument pouch work trigger, work environment, preventative maintenance, and instrument wrap reduction. RESULTS: A 56% improvement in "Non-Sterile" defects was achieved. While a centerline shift in "Sterile" defects was not observed, the most significant "Sterile" defect, "breach of soft instrument wrap," dropped from 8 occurrences (at baseline) to 1. The number of OR case sign-out forms collected plateaued at 47%, which could indicate missing defect data. CONCLUSIONS: SPD improved quality in the OR by reducing instrument defects. The physicians gained a mechanism for reporting barriers and tracking improvements. Ultimately, the utilization of lean tools and a quality improvement approach helped drive process changes, creating a more efficient, collaborative, and safe procedural environment for patients and staff.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».