Intraoperative injuries from abdominopelvic surgery: an analysis of national medicolegal data
Notice bibliographique
Résumé
Background: Intraoperative injuries during abdominopelvic surgery can be associated with substantial patient harm. The objective of this study was to describe abdominopelvic intraoperative injuries and their contributing factors among medicolegal cases. Methods: This study was a descriptive analysis of medicolegal matters reported to a national body, with subgroup analyses by type of surgery. We reviewed medicolegal matters involving a population-based sample of physicians who were subject to a civil legal action or complaint to a regulatory authority that was closed between 2013 and 2017 in Canada. Results: Our analysis included 181 civil legal cases and 88 complaints to a regulatory authority. Among legal cases, 155 patients (85.6%) (median age 47 yr) underwent elective procedures. The most common injury site was the bowel (53 cases [29.3%]). Injuries frequently occurred during dissection (79 [43.6%]) and ligation (38 [21.0%]), were identified postoperatively (138 [76.2%]) and necessitated further surgery (139 [76.8%]). Many patients experienced severe harm (55 [30.4%]) or died (25 [13.8%]). Peer experts in nongynecologic cases were more likely than those in gynecologic cases to include criticisms of a provider in a harmful incident (79 [71.2%] v. 30 [42.9%], p < 0.01). Peer expert criticisms often related to clinical evaluation, decision-making and misidentification of anatomy. Criticisms of nontechnical skills identified documentation and communication deficiencies. Conclusion: This study confirms the importance of provider and team training to improve clinical evaluation and decision-making, documentation and communication. Effective protocols may help support clinicians in providing safer surgical care.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».