Empowering Surgeons, Anesthesiologists, and Obstetricians to Incorporate Environmental Sustainability in the Operating Room
Notice bibliographique
Résumé
OBJECTIVE: We review the existing research on environmentally sustainable surgical practices to enable SAO to advocate for improved environmental sustainability in operating rooms across the country. SUMMARY OF BACKGROUND DATA: Climate change refers to the impact of greenhouse gases emitted as a byproduct of human activities, trapped within our atmosphere and resulting in hotter and more variable climate patterns.1 As of 2013, the US healthcare industry was responsible for 9.8% of the country's emissions2; if it were itself a nation, US healthcare would rank 13th globally in emissions.3 As one of the most energy-intensive and wasteful areas of the hospital, ORs drive this trend. ORs are 3 to 6 times more energy intensive than clinical wards.4 Further, ORs and labor/delivery suites produce 50%-70% of waste across the hospital.5,6 Due to the adverse health impacts of climate change, the Lancet Climate Change Commission (2009) declared climate change "the biggest global health threat of the 21st century" and predicted it would exacerbate existing health disparities for minority groups, children and low socioeconomic patients.7. METHODS/RESULTS: We provide a comprehensive narrative review of published efforts to improve environmental sustainability in the OR while simultaneously achieving cost-savings, and highlight resources for clinicians interested in pursuing this work. CONCLUSION: Climate change adversely impacts patient health, and disproportionately impacts the most vulnerable patients. SAO contribute to the problem through their resource-intensive work in the OR and are uniquely positioned to lead efforts to improve the environmental sustainability of the OR.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».