Impact of WHO's Surgical Safety Checklist-Based Program on Cleft-lip and Palate Repair Outcomes in LMICs—The CLEAN CLEFT Program
Notice bibliographique
Résumé
Background “Clean Cleft” (CC) is an adaptation of the Lifebox Clean Cut program, designed to reduce surgical site infections (SSIs) in cleft lip and palate repairs. It focuses on 6 key processes: hand and site decontamination, surgical linen integrity, instrument sterility, timely antibiotic use, gauze counting, and WHO Surgical Safety Checklist compliance. The study explores CC's effectiveness in reducing infections, other complications, and enhancing early recovery. Methods CC was piloted in 2 Ethiopian hospitals and 1 in Côte d'Ivoire, the primary public cleft care centers in each country. Baseline data were collected through direct observation in the operating room, with patients monitored postoperatively for infections and complications through daily ward visits and follow-up calls or clinic visits at 30 days. Post-intervention data were collected for 5 months. Data was captured in DHIS2 software and analyzed using SPSS version 26. Results The program enrolled 275 patients, with 156 during baseline and 119 post-implementation. Complications significantly dropped from 21.7% to 8.7% ( P = .008), a 60% decrease. SSI rates fell from 18.1% to 8.0% ( P = .03), while palatal fistulas decreased from 13.0% to 6.1% ( P = .1) and wound dehiscence from 18.0% to 8.0% ( P = .03). Adherence to perioperative standards improved, except for hand and skin preparation while pain management remained effective throughout the program. Conclusion CC improved perioperative practices, significantly reducing infections, palatal fistulas, and wound dehiscence, supporting the broader program expansion to any subspecialty.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».