MétaCan
Menu
Retour à la cohorte
Enregistrement W3126767661 · doi:10.1007/s00268-021-05964-1

Expert Consensus of Data Elements for Collection for Enhanced Recovery After Cardiac Surgery

2021· article· en· W3126767661 sur OpenAlexaff
Sameer Hirji, Rawn Salenger, Edward M. Boyle, Judson Williams, V. Seenu Reddy, Michael C. Grant, Subhasis Chatterjee, Alexander J. Gregory, Rakesh C. Arora, Daniel T. Engelman

Notice bibliographique

RevueWorld Journal of Surgery · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueEnhanced Recovery After Surgery
Établissements canadiensUniversity of ManitobaSt. Boniface HospitalLibin Cardiovascular Institute of AlbertaFoothills Medical CentreUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCardiac surgeryVascular surgeryMedicineData collectionAccountabilityMultidisciplinary approachComparative effectiveness researchCardiothoracic surgeryStandardizationReimbursementVotingDelphi methodLikert scaleMedical physicsHealth careStatisticsComputer scienceSurgeryAlternative medicinePolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Despite the emergence of Enhanced Recovery Protocols (ERPs) in cardiac surgery, there is no consensus on the essential elements for data reporting for quality improvement efforts, as well as accountability and standardization of outcome reporting across institutions. The aim of this study was to establish a consensus on essential data elements for cardiac ERAS®. METHODS: A 2-round modified Delphi technique was utilized based on existing recommendations from the recently published ERAS® cardiac surgery consensus guidelines. Round 1 included a steering committee of 10 experts who oversaw formulation of a focused list of data elements into 3 main areas: Preoperative, intraoperative and postoperative. Round 2 consisted of a multidisciplinary, multinational, heterogenous group of 50 voting experts from across the United States and Europe. All participants evaluated their level of agreement with each data element using a 5-point Likert scale with consensus threshold of 70%. RESULTS: In round 1, 17 data elements were considered essential (consensus > = 70%, either positive or negative) and 6 were considered marginal (consensus < = 70%, either positive or negative). In round 2, positive consensus was achieved for 15/17 (88.2%) data elements in the essential category, and all six data elements (100%) in the marginal category, indicating a high level of overall agreement. CONCLUSION: This initial study, which identified 21 key data elements for collection in an ERAS® cardiac program, will aid clinicians in establishing a framework for evaluating the quality of their contemporary ERP processes and will allow acquisition of data to help benchmark performance metrics between hospitals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,364
score de la tête « metaresearch » (Gemma)0,351
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,364
Score d'incertitude au seuil0,784

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3640,351
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,003
Études des sciences et des technologies0,0030,003
Communication savante0,0040,006
Science ouverte0,0040,011
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,325
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of SurgeryMême sujetEnhanced Recovery After SurgeryTravaux en français237 207