Multidisciplinary teams performing simulated trauma resuscitation have improved teamwork scores based on level of experience
Notice bibliographique
Résumé
Background Teaching and assessment of non-technical skills in trauma and resuscitation continues to evolve. Simulation provides a safe environment where individuals can acquire these skills. Trauma and resuscitation are seldom an individual effort. For this reason teams could benefit from a shared model of instruction and learning. Teamwork skills are an important and natural starting point. We hypothesized that more experienced individuals should display superior teamworking skills. This should be true in the setting of individual or team assessment. Objectives We assessed multidisciplinary trauma teams with different levels of experience performing simulated trauma resuscitation using individual, team-based, and subjective teamwork assessment tools. Method Four teams completed two different simulated trauma resuscitation scenarios using a Human Patient Simulator. Each team had three team members, including a trauma team leader, an airway manager, and a trauma nurse. The teams varied by experience, including a student team, a junior resident and nurse team, a senior resident and nurse team and a staff physician and highly experienced nurse team. By retrospective video review, two independent raters scored the teams using two established teamwork assessment tools. The BARS (Behaviorally Anchored Rating Scale) was used to assess individual teamwork skills, and the TPOT (Team Performance Observation Tool) was used to assess global teamwork skills for each multidisciplinary team. Participants also completed a subjective teamwork questionnaire at the conclusion of the second scenario. Mean differences in scores for the BARS, TPOT and the subjective questionnaire were analyzed using ANOVA statistical analysis. Correlation studies of inter-rater reliability for the BARS and TPOT were performed using Pearson’s Coefficient. Results Mean BARS, TPOT and subjective teamwork questionnaire scores improved significantly with increasing levels of team experience (p
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».