Multicentre positive deviance to reduce adverse events and length of stay after pulmonary resection
Notice bibliographique
Résumé
BACKGROUND: Postoperative adverse events (AEs) following pulmonary resection enormously impact patient well-being, length of stay (LOS) and healthcare costs. Standardised AE data collection can be used to identify positive outliers demonstrating positive deviance (PD) who may be helpful to inform the best practice. Here, we describe our initial experience of a novel quality improvement process using PD to reduce LOS and AEs. METHODS: AE rates and LOS were collected from four centres (2014-2020) using a common dictionary. Surgeons repeatedly participated in 60 to 90 min seminars consisting of the following process: identify outcome and procedure targeted, review relevant best evidence literature, view all data anonymised by surgeon or centre (if multicentre), choose and reveal identity of best performance PD outliers, who discuss their management principles while all receive self-evaluation reports, followed by collegial discussion to generate consensus recommendations, voted by all. We assessed overall impact on AEs and LOS using aggregate data in a before/after analysis. RESULTS: A total of 131 surgeons (average 12/seminar) participated in 11 PD seminars (8 local and 3 multicentre), yielding 85 consensus recommendation (average 8/seminar). Median LOS following lobectomy decreased from 4.0 to 3.0 days (p=0.04) following local PD seminars and from 4.0 to 3.5 days (p=0.11) following multicentre seminars. Trends for reductions in multiple AE rates were also observed. CONCLUSION: While limited by the longitudinal design, these findings provide preliminary support for this data-driven, collegial and actionable quality improvement process to help standardise and improve patient care, and merits further more rigorous investigation.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».