Bridging the know-do gap in low-income surgical environments: Creating contextually appropriate training videos to promote safer surgery in Ethiopia
Notice bibliographique
Résumé
Although international guidelines exist for the prevention of surgical site infections, their implementation in diverse clinical contexts, especially in low and middle-income countries, is challenging due to the lack of available resources and organizational structure of facilities. The goal of this project was to develop a series of video training aids to highlight best practices in surgical infection prevention in hospitals with limited resources and to provide practical solutions to common challenges faced in these settings. Using the validated Clean Cut education framework for infection prevention developed by Lifebox, a charity devoted to improving surgical and anesthetic safety, we partnered with clinicians in one Ethiopian hospital to create six educational videos giving practical guidelines for infection prevention under resource variable conditions. These include: 1) proper use of the WHO Surgical Safety Checklist, 2) hand and skin antisepsis, 3) confirming instrument sterility, 4) maintaining the sterile field, 5) antibiotic prophylaxis, and 6) gauze counting. Gaps in available online educational materials were identified in each of the six areas. Videos were created providing setting-specific education and addressing gaps in existing materials for each of the infection prevention topics. These videos are now integrated into infection prevention curricula through Lifebox in Ethiopia and ongoing data collection to evaluate acceptability and efficacy is ongoing. Surgical education videos on infection prevention topics addressing location-specific resources and workarounds can be useful to hospitals operating in resource-limited settings for training staff and supporting quality and safety efforts in surgery.
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 | 0,023 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».