Publishing Quality Improvement Interventions in Burn Care: A Call to Frontline Clinicians
Notice bibliographique
Résumé
To the Editor, Quality improvement (QI) is increasingly recognized as central to advancing burn care, ensuring not only the generation of new knowledge but the sustainable application of evidence in real clinical environments. In 2021, we published a systematic review evaluating the extent and attributes of Quality Improvement Interventions (QIIs) in burn care. That review identified 414 studies related to improvement, yet only 82 met core criteria for QI, and just 20 were published as full-text manuscripts; the remaining interventions were predominantly presented as abstracts and never progressed to peer-reviewed publication.1 Without publication, the knowledge and gains from these efforts remain local, slowing the spread of safer, more effective care practices across burn centres. Since that review, QI work has continued to expand, driven by verification standards, morbidity and mortality processes, audit and feedback culture, and increasingly interdisciplinary engagement. However, the translation gap persists: many clinically successful QI initiatives are not disseminated, resulting in lost opportunities for system-level learning and shared advancement.
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 | 0,109 | 0,495 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,019 | 0,024 |
| Science ouverte | 0,009 | 0,006 |
| Intégrité de la recherche | 0,030 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
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 ».