Evolving with technology: Machine learning as an opportunity for operating room nurses to improve surgical care—A commentary
Notice bibliographique
Résumé
AIMS: To describe machine learning applications in an operating room setting, raise awareness of the lack of nursing inclusion on machine learning algorithm development, and show how operating room nurses can co-create this new technology. BACKGROUND: Operating room nurses and managers perform anticipatory work on a daily basis to manage intrinsic and extrinsic factors that can cause surgical delays. EVALUATION: Recent literature on machine learning and its potential use in operating room settings was reviewed along with literature on the role of the nurse in co-creating novel technology. KEY ISSUE: Machine learning technology is rapidly evolving and being created for the operating room environment to improve patient safety and flow. Operating room nurses and managers are not being included in the development of machine learning algorithms, meaning products may be created that are not usable for all members of the surgical team. CONCLUSION: This commentary highlights the ways machine learning effectively assists nurses and nursing managers, suggesting a pathway forward for surgical nursing as co-creators and implementers. IMPLICATION FOR NURSING MANAGEMENT: Nursing managers will be exposed to machine learning programmes in the near future and need to understand the benefits they have for patient safety and patient flow.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,017 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,048 | 0,055 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».