Unplanned Sarcoma Excisions: Understanding How They Happen
Notice bibliographique
Résumé
BACKGROUND: Soft-tissue sarcomas present as a mass with nonspecific symptoms, and unplanned excisions commonly occur. The purpose of this study was to analyze the incidence of unplanned excisions performed by orthopaedic surgeons and to conduct a root cause analysis (RCA) of the steps that led to unplanned excisions in all the cases. METHODS: A retrospective case-control study was conducted. Two cohorts were identified, one including patients who underwent an unplanned excision of a soft-tissue sarcoma (n = 107) and a second cohort with patients whose entire care was performed at our sarcoma center (n = 102). A RCA was conducted with the whole sample to identify the preventable causes that led to sarcoma unplanned excisions. RESULTS: Orthopedic surgeons were the second group of physicians to perform the most unplanned excisions, only behind general surgeons. Inadequate imaging was encountered in 76.6% of the patients (n = 82, 95% confidence interval, 67.8 to 83.6). Forty-five patients (42.1%) had no imaging studies before the unplanned procedure. In the RCA, the most notable obstacles found were (1) incorrect assumption of a benign diagnosis, (2) failure to obtain the appropriate imaging study, (3) incorrectly reported imaging studies, (4) failure to order a biopsy, and (5) incorrect reporting of the biopsy. CONCLUSIONS: Despite educational efforts, unplanned excisions and the devastating consequences that sometimes follow continue to occur. Orthopaedic surgeons persist in playing a role in the unplanned procedure burden.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».