Assessing the Quality of Reporting on Quality Improvement Initiatives in Breast Reconstruction: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: There has been a recent increase in the number and complexity of quality improvement (QI) studies in breast reconstruction. To assist with the development of thorough QI reporting practices, with the goal of improving the transferability of these initiatives, the authors conducted a systematic review of studies describing the implementation of QI initiatives in breast reconstruction. The authors used the Standards for Quality Improvement Reporting Excellence (SQUIRE) 2.0 guideline to appraise the quality of reporting of these initiatives. METHODS: English language articles published in Embase, MEDLINE, CINAHL, and the Cochrane databases were searched. Quantitative studies evaluating the implementation of QI initiatives in breast reconstruction were included. The primary endpoint of interest in this review was the distribution of studies according to SQUIRE 2.0 criteria scores in proportions. Abstracts and full-text screening, and data extraction were completed independently and in duplicate by the review team. RESULTS: The authors screened 1107 studies, of which 53 full texts were assessed and 35 met inclusion criteria. In our assessment, only three studies (9%) met all 18 SQUIRE 2.0 criteria. SQUIRE 2.0 criteria that were met most frequently were abstract, problem description, rationale, and analysis. The lowest SQUIRE 2.0 scores appeared in the interpretation criteria. CONCLUSIONS: Significant opportunity exists to improve QI reporting in breast reconstruction, especially in the realm of costs, strategic tradeoffs, ethical considerations, project sustainability, and potential for spread to other contexts. Improvements in these areas will help to further advance the transferability of QI initiatives in breast reconstruction.
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 | 0,011 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».