How Can Non-Hospital Surgical Centres Improve Their Environmental Footprint (and Reduce Costs)?
Notice bibliographique
Résumé
Introduction: Every industry has greenhouse gas emissions, with healthcare a significant contributor. In Canada, the healthcare sector is directly and indirectly responsible for 4.6% of the country's greenhouse gas emissions. Operating rooms (ORs) are major contributors to hospital waste, making the OR low hanging fruit for analyzing environmental practices. The OR can adopt a green mindset to reduce its carbon footprint, yet barriers to going green exist. Herein we study non-hospital surgical centres in British Columbia to assess current green practices, attitudes towards environmental sustainability, and barriers to implementation. Methods: All accredited non-hospital surgical centres in BC were invited to complete a survey on current practices and plans to reduce their environmental impact. Results: Of 56 non-hospital surgical centres contacted, 18 responded, with 89% willing to adapt their practice to promote environmental sustainability, yet lacked current knowledge (56%) and formal plans (0%). The wide use of anesthetic gases with high global warming potential (64%) and disposable drapes/ gowns (78%/ 67%) were noted. Barriers to adopting green practices included: cost (44%), infrastructure (44%), regulatory guidelines (39%), knowledge (39%), and safety (28%). Conclusions: Transitioning to more environmentally sustainable practices in ORs can enhance healthcare value by reducing both costs and greenhouse gas emissions. The greatest effect can be achieved through prudent choice of anesthetic gas agent, followed by reusable linens and drapes. Education and regulatory leadership were identified as crucial for overcoming these barriers. This study underscores the need for education, guidelines, and economically viable options to transition from awareness to action.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».