Benchmarks in colorectal surgery: multinational study to define quality thresholds in high and low anterior resection
Notice bibliographique
Résumé
BACKGROUND: Benchmark comparisons in surgery allow identification of gaps in the quality of care provided. The aim of this study was to determine quality thresholds for high (HAR) and low (LAR) anterior resections in colorectal cancer surgery by applying the concept of benchmarking. METHODS: This 5-year multinational retrospective study included patients who underwent anterior resection for cancer in 19 high-volume centres on five continents. Benchmarks were defined for 11 relevant postoperative variables at discharge, 3 months, and 6 months (for LAR). Benchmarks were calculated for two separate cohorts: patients without (ideal) and those with (non-ideal) outcome-relevant co-morbidities. Benchmark cut-offs were defined as the 75th percentile of each centre's median value. RESULTS: A total of 3903 patients who underwent HAR and 3726 who had LAR for cancer were analysed. After 3 months' follow-up, the mortality benchmark in HAR for ideal and non-ideal patients was 0.0 versus 3.0 per cent, and in LAR it was 0.0 versus 2.2 per cent. Benchmark results for anastomotic leakage were 5.0 versus 6.9 per cent for HAR, and 13.6 versus 11.8 per cent for LAR. The overall morbidity benchmark in HAR was a Comprehensive Complication Index (CCI®) score of 8.6 versus 14.7, and that for LAR was CCI® score 11.9 versus 18.3. CONCLUSION: Regular comparison of individual-surgeon or -unit outcome data against benchmark thresholds may identify gaps in care quality that can improve patient outcome.
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 | 0,001 |
| 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) | 0,000 | 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 ».