MétaCan
Menu
Retour à la cohorte
Enregistrement W4317478014 · doi:10.1097/gox.0000000000004721

Do Plastic Surgery Residents Get Sued? An Analysis of Malpractice Lawsuits

2023· article· en· W4317478014 sur OpenAlexaff
Alexander R. Gibstein, Sinan Jabori, Arjun Watane, Benjamin R. Slavin, Rawan ElAbd, Devinder Singh

Notice bibliographique

RevuePlastic & Reconstructive Surgery Global Open · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Malpractice and Liability Issues
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPlaintiffMalpracticeMedicineLawsuitInterquartile rangeSettlement (finance)SurgeryGeneral surgeryMedical malpracticeLaw

Résumé

récupéré en direct d'OpenAlex

Trainees may be implicated in malpractice lawsuits. Our study examines malpractice cases involving plastic surgery trainees. Methods: Using the LexisNexis database, verdicts and settlements from appellate state and federal cases between February 1988 and 2020 were queried. A nonrepresentative sample of 300 cases was compiled. Results: During a 32-year period, 21 lawsuits involving plastic surgery trainees were identified. Of these, 14 (66.67%) involved claims when a trainee was directly named as a defendant. Eighteen (85.7%) cases were due to procedural-related adverse outcomes, while three (14.3%) cases were associated with clinical or diagnostic-related adverse outcomes. Of the procedure-related cases, five (27.8%) occurred when the trainee was the lead surgeon. Allegations included lack of informed consent of procedure complications (11, 52.4%), procedural error (11, 52.4%), failure to supervise trainee (11, 52.4%), inexperience of trainee (eight, 38.1%), incorrect diagnosis or treatment (five, 23.8%), delay in evaluation (three, 14.3%), lack of awareness of resident involvement (three, 14.3%), lack of follow-up (three, 14.3%), and prolonged operative time (one, 4.8%). Median time from injury to lawsuit resolution was 3.8 years [interquartile range (IQR), 3-5 years]. Verdicts were ruled in favor of the defense in eight (38.1%) cases and for plaintiff in six (28.6%) cases. A settlement was made in seven (33.3%) cases. Median payout for plaintiff-won cases was $5,100,000 (IQR, $1,530,000-$17,500,000); the median settlement was $2,500,000 (IQR, $262,500-$4,410,000). Conclusions: Procedural error, improper informed consent, improper trainee supervision, and resident inexperience were the most common allegations. These factors can lead to financial and psychological burdens early in a physician's career.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,107
Tête enseignante GPT0,439
Écart entre enseignants0,332 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePlastic & Reconstructive Surgery Global OpenMême sujetMedical Malpractice and Liability IssuesTravaux en français237 207