A Quality Improvement Project to Limit Perioperative Transfusion During Craniofacial Surgery in Infants and Children
Notice bibliographique
Résumé
Introduction: Open surgery for craniosynostosis in infants and children is frequently associated with significant intraoperative blood loss and the need for allogeneic transfusion therapy. A lack of consensus at our institution led to inconsistent transfusion therapy during open cranial vault remodeling. We sought to address this through a multidisciplinary quality improvement approach to decrease variability in transfusion practices. Methods: A streamlined intraoperative transfusion algorithm, from the moment the patient was evaluated in the preoperative holding area on the day of surgery through their departure from the postanesthesia care unit, was implemented during quarter 1 of 2021. We aimed to decrease the percentage of intraoperative transfusions administered at hemoglobin (Hgb) levels greater than 7.5 g/dL in stable patients without massive bleeding undergoing open craniosynostosis surgery from 40% in January 2021 to 0% by December 2023. Results: From January 2018 to December 2023, 118 pediatric patients underwent open cranial vault remodeling for craniosynostosis. Before the implementation of the protocol in quarter 1 of 2021, open cranial vault reconstruction (CVR) intraoperative transfusion rates in cases where the threshold was not met (Hgb >7.5 g/dL) were 32%. After protocol implementation, open CVR intraoperative transfusion rates that did not meet the threshold averaged 5%. Conclusions: In this quality improvement project, we decreased transfusion rates for patients with Hgb greater than 7.5 g/dL from 32% to 5% during 3 years. We have successfully developed and implemented an intraoperative blood transfusion algorithm that is generalizable and requires minimal human and material resources.
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 ».