Quality Improvement and Patient Safety Rounds—A New Paradigm in Cardiothoracic Surgery
Notice bibliographique
Résumé
Background: The delivery of cardiothoracic health care is complex, and despite best efforts, adverse patient outcomes do occur. There is significant heterogeneity in morbidity and mortality rounds within and between institutions as well as undertones of a "blame and shame" culture prohibitive to meaningful quality assessment and improvement of patient care. The Quality Improvement and Patient Safety (QIPS) program was designed to address these issues. Methods: QIPS is built on the Donabedian model of quality and established phase-of-care adverse event analysis. It focuses on cultivating a culture of transparency. Every case review yields important demographic data, event factors, and the case inflection point, creating an institution-specific QIPS database. The QIPS format was presented by The Society of Thoracic Surgeons Workforce on Patient Safety at 2 Society of Thoracic Surgeons webinar series in December 2021 and August 2022. Descriptive data on both presentations were collected. Results: The December 2021 webinar had 75 unique viewers from 13 countries, and there were 343 asynchronous playbacks. The August 2022 webinar had 38 unique viewers from 9 countries and 310 asynchronous playbacks. Conclusions: The standardized QIPS methods allow consistent recording of event factors and the inflection point, which are root causes of case morbidity or mortality. Dedication to the program will build a granular databank and identify recurring individual or system issues to launch quality improvement initiatives that address institution-specific needs. QIPS is simple, effective, and reproducible and seeks to create a culture of patient-centered quality and excellence in cardiothoracic surgery programs.
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».