Improving quality and patient safety in surgical care through standardisation and harmonisation of perioperative care (SAFEST project): A research protocol for a mixed methods study
Notice bibliographique
Résumé
INTRODUCTION: Adverse events in health care affect 8% to 12% of patients admitted to hospitals in the European Union (EU), with surgical adverse events being the most common types reported. AIM: SAFEST project aims to enhance perioperative care quality and patient safety by establishing and implementing widely supported evidence-based perioperative patient safety practices to reduce surgical adverse events. METHODS: We will conduct a mixed-methods hybrid type III implementation study supporting the development and adoption of evidence-based practices through a Quality Improvement Learning Collaborative (QILC) in co-creation with stakeholders. The project will be conducted in 10 hospitals and related healthcare facilities of 5 European countries. We will assess the level of adherence to the standardised practices, as well as surgical complications incidence, patient-reported outcomes, contextual factors influencing the implementation of the patient safety practices, and sustainability. The project will consist of six components: 1) Development of patient safety standardised practices in perioperative care; 2) Guided self-evaluation of the standardised practices; 3) Identification of priorities and actions plans; 4) Implementation of a QILC strategy; 5) Evaluation of the strategy effectiveness; 6) Patient empowerment for patient safety. Sustainability of the project will be ensured by systematic assessment of sustainability factors and business plans. Towards the end of the project, a call for participation will be launched to allow other hospitals to conduct the self-evaluation of the standardized practices. DISCUSSION: The SAFEST project will promote patient safety standardized practices in the continuum of care for adult patients undergoing surgery. This project will result in a broad implementation of evidence-based practices for perioperative care, spanning from the care provided before hospital admission to post-operative recovery at home or outpatient facilities. Different implementation challenges will be faced in the application of the evidence-based practices, which will be mitigated by developing context-specific implementation strategies. Results will be disseminated in peer-reviewed publications and will be available in an online platform.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,151 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,010 |
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 source (Gemma direct ou Codex distillé), 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 ».