COVID-19: lessons learnt and priorities in trauma and orthopaedic surgery
Notice bibliographique
Résumé
The COVID-19 pandemic is the most serious health crisis of our time. Global public measures have been enacted to try to prevent healthcare systems from being overwhelmed. The trauma and orthopaedic (T&O) community has overcome challenges in order to continue to deliver acute trauma care to patients and plan for challenges ahead. This review explores the lessons learnt, the priorities and the controversies that the T&O community has faced during the crisis. Historically, the experience of major incidents in T&O has focused on mass casualty events. The current pandemic requires a different approach to resource management in order to create a long-term, system-sustaining model of care alongside a move towards resource balancing and facilitation. Significant limitations in theatre access, anaesthetists and bed capacity have necessitated adaptation. Strategic changes to trauma networks and risk mitigation allowed for ongoing surgical treatment of trauma. Outpatient care was reformed with the uptake of technology. The return to elective surgery requires careful planning, restructuring of elective pathways and risk management. Despite the hope that mass vaccination will lift the pressure on bed capacity and on bleak economic forecasts, the orthopaedic community must readjust its focus to meet the challenge of huge backlogs in elective caseloads before looking to the future with a robust strategy of integrated resilient pathways. The pandemic will provide the impetus for research that defines essential interventions and facilitates the implementation of strategies to overcome current barriers and to prepare for future crises.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».