Bibliometric analysis of academic journal recommendations and requirements for surgical and anesthesiologic adverse events reporting
Notice bibliographique
Résumé
BACKGROUND: Standards for reporting surgical adverse events (AEs) vary widely within the scientific literature. Failure to adequately capture AEs hinders efforts to measure the safety of healthcare delivery and improve the quality of care. The aim of the present study is to assess the prevalence and typology of perioperative AE reporting guidelines among surgery and anesthesiology journals. MATERIALS AND METHODS: In November 2021, three independent reviewers queried journal lists from the SCImago Journal & Country Rank (SJR) portal (www.scimagojr.com), a bibliometric indicator database for surgery and anesthesiology academic journals. Journal characteristics were summarized using SCImago, a bibliometric indicator database extracted from Scopus journal data. Quartile 1 (Q1) was considered the top quartile and Q4 bottom quartile based on the journal impact factor. Journal author guidelines were collected to determine whether AE reporting recommendations were included and, if so, the preferred reporting procedures. RESULTS: Of 1409 journals queried, 655 (46.5%) recommended surgical AE reporting. Journals most likely to recommend AE reporting were: by category surgery (59.1%), urology (53.3%), and anesthesia (52.3%); in top SJR quartiles (i.e. more influential); by region, based in Western Europe (49.8%), North America (49.3%), and the Middle East (48.3%). CONCLUSIONS: Surgery and anesthesiology journals do not consistently require or provide recommendations on perioperative AE reporting. Journal guidelines regarding AE reporting should be standardized and are needed to improve the quality of surgical AE reporting with the ultimate goal of improving patient morbidity and mortality.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,034 | 0,013 |
| 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 ».