Utilization of the iOS Shortcuts App to Generate a Surgical Logbook Tool: Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Surgical audit is an essential aspect of modern reflective surgical practice and is key to improving surgical outcomes. The surgical logbook is an important method of data collection for both personal and unit audits; however, current electronic data collection tools, especially mobile apps, lack the minimum recommended data fields. OBJECTIVE: This feasibility study details the creation of a free, effective surgical logbook tool with the iOS Shortcuts app and investigates the time investment required to maintain a surgical logbook with this tool. In addition, we investigate the potential utility of the Shortcuts app in creating medical data collection tools. METHODS: Using the iOS Shortcuts app, we created a shortcut "Operation Note," which collects surgical logbook data by using the minimum and extended audit data sets recommended by the Royal Australasian College of Surgeons. We practically assessed the feasibility of the tool, assessing the time requirement for entry, accuracy, and completeness of the entered data. RESULTS: The shortcut collected accurate and useful data for a surgical audit. Data entry took on average 65 seconds per case for the minimum data set, and 135 seconds per case for the extended data set, with a mean difference of 68 seconds (P<.001; 95% CI 61.6-77.7). CONCLUSIONS: This feasibility study demonstrates the utility of the iOS Shortcuts app in the creation of a surgical logbook and the time-consuming nature of data collection for surgical audit. Our iOS Operation Note shortcut is a free, rapid, and customizable alternative to currently available logbook apps and offers surgical trainees and consultants a method for recording surgical operations, complications, and demographic data.
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 | 0,000 | 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) | 0,003 | 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 ».