Actionable adverse event monitoring and feedback to improve thoracic surgical care
Notice bibliographique
Résumé
Abstract: Postoperative adverse events (AEs) pose a major hurdle in improving the cost and quality of care administered across the thoracic surgical discipline. Although hospital-based mortality following thoracic surgery has decreased significantly in the last few decades, AE rates have remained common at a frequency of 30–60% depending on the specific surgery performed. AEs are not only associated with diminished patient outcomes and quality of life, but also impose massive economic costs to the healthcare system, with literature estimates indicating a $4,000–44,000-increase in treatment expenses per patient per AE. Thus, there exists a great demand on several fronts for systematic, scalable, and effective methods to address AEs and improve the quality of care administered by providers. In this narrative review, we explore how designing data-driven actionable AE monitoring and feedback systems can allow for sustained improvement and standardization of thoracic surgical care. We highlight existing AE classifications to monitor AE occurrences, namely the Clavien-Dindo classification and the Thoracic Morbidity and Mortality (TM&M) system, and means to harmonize AE classification and data entry across the major AE classification systems. Additionally, we explore three AE feedback methodologies intended to lead to action: (I) actionable Morbidity and Mortality (M&M) rounds, (II) positive deviance (PD) seminars, and (III) benchmarking. These methodologies provide distinct yet complementary avenues for quality improvement within thoracic surgery within local, regional, and international settings, and provide frameworks for broader collaboration and coordination, and the emergence of AE monitoring and feedback networks between institutions of care.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».