MétaCan
Menu
Retour à la cohorte
Enregistrement W4404918804 · doi:10.2196/64921

Reducing Greenhouse Gas Emissions and Modifying Nitrous Oxide Delivery at Stanford: Observational, Pilot Intervention Study

2024· article· en· W4404918804 sur OpenAlexvenueno aff
Eric P. Kraybill, David Chen, Saadat Khan, Praveen Kalra

Notice bibliographique

RevueJMIR Perioperative Medicine · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCatalytic Processes in Materials Science
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintNitrous oxideGreenhouse gasEnvironmental scienceChemistryComputer scienceGeologyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Background Inhalational anesthetic agents are a major source of potent greenhouse gases in the medical sector, and reducing their emissions is a readily addressable goal. Nitrous oxide (N2O) has a long environmental half-life relative to carbon dioxide combined with a low clinical potency, leading to relatively large amounts of N2O being stored in cryogenic tanks and H cylinders for use, increasing the chance of pollution through leaks. Building on previous findings, Stanford Health Care’s (SHC’s) N2O emissions were analyzed at 2 campuses and targeted for waste reduction as a precursor to system-wide reductions. Objective We aimed to determine the extent of N2O pollution at SHC and subsequently whether using E-cylinders for N2O storage and delivery at the point of care in SHC’s ambulatory surgery centers could reduce system-wide emissions. Methods In phase 1, total SHC (Palo Alto, California) N2O purchase data for calendar year 2022 were collected and compared (volume and cost) to total Palo Alto clinical delivery data using Epic electronic health records. In phase 2, a pilot study was conducted in the 8 operating rooms of SHC campus A (Redwood City). The central N2O pipelines were disconnected, and E-cylinders were used in each operating room. E-cylinders were weighed before and after use on a weekly basis for comparison to Epic N2O delivery data over a 5-week period. In phase 3, after successful implementation, the same methodology was applied to campus B, one of 3 facilities in Palo Alto. Results In phase 1, total N2O purchased in 2022 was 8,217,449 L (33,201.8 lbs) at a total cost of US $63,298. Of this, only 780,882.2 L (9.5%) of N2O was delivered to patients, with 7,436,566.8 L (90.5%) or US $57,285 worth lost or wasted. In phase 2, the total mass of N2O use from E-cylinders was 7.4 lbs (1 lb N2O=247.5 L) or 1831.5 L at campus A. Epic data showed that the total N2O volume delivered was 1839.3 L (7.4 lbs). In phase 3, the total mass of N2O use from E-cylinders was 10.4 lbs or 2574 L at campus B (confirming reliability within error propagation margins). Epic data showed that the total N2O volume delivered was 2840.3 L (11.5 lbs). Over phases 2 and 3, total use for campuses A and B was less than the volume of 3 E-cylinders (1 E-cylinder=1590 L). Conclusions Converting N2O delivery from centralized storage to point-of-care E-cylinders dramatically reduced waste and expense with no detriment to patient care. Our results provide strong evidence for analyzing N2O storage in health care systems that rely on centralized storage, and consideration of E-cylinder implementation to reduce emissions. The reduction in N2O waste will help meet SHC’s goal of reducing scope 1 and 2 emissions by 50% before 2030.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,338
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,352
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Perioperative MedicineMême sujetCatalytic Processes in Materials ScienceTravaux en français237 207