Facilitating Access to Effective Medical Checklists: A Literature Review and Dataverse Expansion Project
Notice bibliographique
Résumé
Medical settings frequently employ checklists to enhance patient care and clinical processes. However, challenges such as poor checklist design and overreliance can limit the effectiveness of checklist interventions. We expanded a collection of checklists hosted on Borealis, a Canadian academic Dataverse repository, to promote widespread access to tested medical checklists. We collected checklists by searching through the Clinicaltrials.gov, PubMed, and CINAHL databases for relevant articles. Articles were imported into Covidence and screened for eligibility by two reviewers. Articles that studied checklists as the primary intervention and had performance metrics to support the conclusions they made about their outcomes were eligible for inclusion. From 725 retrieved articles, 80 were selected for full-text review after title and abstract screening and 25 met the inclusion criteria. Most studies (n=20) reported that checklists improved outcomes by increasing worker task adherence and care quality, while reducing patient morbidity and readmission rates. However, three studies found checklists to be ineffective and two had inconclusive results. Ultimately, 18 articles describing 16 checklists were added to the Borealis repository; two articles had already been added in the past. The articles added included checklists on safe childbirths, anesthesia administration, and cardiopulmonary resuscitation training. The Borealis repository also had its searchability improved with the addition of keyword filters and Medical Subject Heading (MeSH) terms. There are now a total of 34 checklists available in the repository. As medical institutions often create checklists to support their own processes, enabling widespread access to these can prove beneficial to the greater healthcare community.
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 | 0,161 | 0,288 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,134 | 0,092 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».