Methods and Frameworks to Assess Operating Team Resilience: A Scoping Review
Notice bibliographique
Résumé
INTRODUCTION: The operating room (OR) is a complex environment where errors significantly impact patient outcomes, and the ability of surgical teams to adapt and recover from unexpected disruptions-defined as resilience-is paramount. Frameworks offer structured approaches for analyzing resilience yet are variably applied throughout the relevant literature. This review aims to characterize how frameworks are used to study OR team resilience and examines the implications of inconsistent approaches. METHODS: After the Arksey & O'Malley framework, EMBASE, CINAHL, and MEDLINE were searched for studies published up to July 29, 2024. The search included keywords such as 'surgery' and 'resilience'. The included studies' reference lists were also manually searched. Studies focusing on the OR, examining the influence of human factors on team function and recovery, and reporting metrics for patient safety were included. Data extraction and content analysis were conducted independently by 2 reviewers, with results summarized narratively. RESULTS: Of 3165 studies identified, 9 met the inclusion criteria. Two utilized the systems engineering initiative for patient safety framework, and 2 incorporated the Oxford non-technical skills tool, whereas the remaining 5 developed an ad hoc approach to study operating team resilience. Notably, only 2 studies classified themselves as part of the resilience literature. CONCLUSIONS: This review demonstrates inconsistent framework application in surgical resilience research, resulting in methodological variability and limited cross-study synthesis. Developing frameworks specific to the OR is essential for advancing this field and improving study classification. Expanding search strategies to include resilience-adjacent terms will further enhance research visibility.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».