Digitizing operating theater data in resource‐limited settings: Understanding surgical care delivery post‐implementation at Tanzanian referral hospital
Notice bibliographique
Résumé
BACKGROUND: Digitizing surgical data infrastructure is critical for policymakers to make informed decisions. The implementation of the first web-based operating theater (OT) recordings at Muhimbili Orthopedic Institute (MOI) represents significant advancements in data management for Tanzania. This study aims to share post-platform implementation outcomes, challenges, and insights gained offering guidance to settings facing similar data repository challenges. METHODS: In July 2023, after training clinicians, the platform was deployed at MOI operating theaters (OTs) to facilitate prospective data entry following procedures, ensuring timely updates of perioperative outcomes. Semi-structured interviews were conducted with key stakeholders to gather insights into the platform's functionality and efficient data management systems. We presented data from August 2023 to February 2024 along with platform insights. RESULTS: Over 4449 procedures were conducted, comprising 1321 emergencies and 3128 electives, with orthopedics/trauma accounting for the majority (3606). Trauma-related emergencies (921) predominate among interventions. General anesthesia was prevalent; 60.56% in emergencies and 44.51% in electives. Orthopedics/trauma utilized 90.91% of assigned operating days in electives, while neurosurgery utilized 93.39% (p < 0.011). The cancellation rate was 7.5%, primarily due to emergency interferences (32%). Of procedures, 96.76% were discharged, while 2.81% died. Challenges encountered during platform implementation included securing local support, integrating technology, and navigating administrative adjustments. Lessons learned emphasized continuous communication for stakeholder buy-in and training for platform familiarity. CONCLUSION: The web-based OT recordings at MOI succeeded with local support and showed promise for wider scalability. To ensure sustainability, ongoing follow-up, monitoring of platform functionality, local funding establishment, and strengthening global partnerships are recommended.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».