Characterizing and Contextualizing the Use of the Surgical Safety Checklist in General Surgery
Notice bibliographique
Résumé
The Surgical Safety Checklist (SSCL) is a widely implemented intervention; however, limited studies have explored system factors that impact adherence to proper checklist completion. Using an audio-visual recording technology called the Operating Room Blackbox (ORBB), the goal of this study was to characterize the level of checklist completion and identify work system factors that impact the use of the SSCL in general laparoscopic surgery. Thirty-six cases captured by the ORBB in a hospital in Toronto, Ontario were reviewed using an SSCL audit tool to collect data on item-level adherence. The Systems Engineering Initiative for Patient Safety (SEIPS) 2.0 model was applied to the observation notes from the ORBB recordings to identify work system factors influencing checklist use. On average, across all 36 cases, 8 of the 29 checklist items were completed (30.1%), with debriefing being completed most frequently of the 3 checklist sections. Of the 29 checklist items, commonly completed items were: patient concerns addressed, surgical counts complete, and procedure name, while items in the timeout section were completed the least. Notably, factors related to person (e.g., confirmation of patient information amongst surgical team) and tools and technology (e.g., use of checklist in combination with patient chart) were identified as facilitators to checklist use, while factors relating to tasks (e.g., redundancy of checklist items with existing workflow), tools and technology (e.g., some checklist items not applicable to some procedures), organization (e.g, timing of checklist items and absence of team member), and internal environment (e.g., music volume in the OR) were identified as potential barriers to checklist use. By understanding how system factors contribute to checklist use and item-level adherence, we can identify ways to improve the checklist to meet the needs of the OR team and enhance integration of the SSCL into existing workflows.
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 | 0,016 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».