Noise in Otolaryngology – Head and Neck Surgery operating rooms: A systematic review
Notice bibliographique
Résumé
OBJECTIVE: Noise in operating rooms (OR) can have negative effects on both patients and surgical care workers. Noise can also impact surgical performance, team communication, and patient outcomes. Such implications of noise have been studied in orthopedics, neurosurgery, and urology. High noise levels have also been demonstrated in Otolaryngology-Head and Neck Surgery (OHNS) procedures. Despite this, no previous study has amalgamated the data on noise across all OHNS ORs to determine how much noise is present during OHNS surgeries. This study aims to review all the literature on noise associated with OHNS ORs and procedures. METHODS: Ovid Medline, EMBASE Classic, Pubmed, SCOPUS and Cochrane databases were searched following PRISMA guidelines. Data was collected on noise measurement location and surgery type. Descriptive results and statistical analysis were completed using Stata. RESULTS: This search identified 2914 articles. Final inclusion consisted of 22 studies. The majority of articles analyzed noise level exposures during mastoid surgery (18/22, 82%). The maximum noise level across all OHNS ORs and OHNS cadaver studies were 95.5 a-weighted decibels (dBA) and 106.6 c-weighted decibels (dBC), respectively (P = 0.2068). The mean noise level across all studies was significantly higher in OHNS cadaver labs (96.9 dBA) compared to OHNS ORs (70.1 dBA) (P = 0.0038). When analyzed together, the mean noise levels were 84.9 dBA. CONCLUSIONS: This systematic review demonstrates that noise exposure in OHNS surgery exceeds safety thresholds. Further research is needed to understand how noise may affect team communication, surgical performance and patient outcomes in OHNS ORs.
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 | 0,004 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,003 |
| 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 ».