Building a Simulation‐based Crisis Resource Management Course for Emergency Medicine, Phase 1: Results from an Interdisciplinary Needs Assessment Survey
Notice bibliographique
Résumé
INTRODUCTION: Emergency department (ED) resuscitation requires the coordinated efforts of an interdisciplinary team. Human errors are common and have a negative impact on patient safety. Although crisis resource management (CRM) skills are utilized in other clinical domains, most emergency medicine (EM) caregivers currently receive no formal CRM training. OBJECTIVES: The objectives were to compile and compare attitudes toward CRM training among EM staff physicians, nurses, and residents at two Canadian academic teaching hospitals. METHODS: Emergency physicians (EPs), residents, and nurses were asked to complete a Web survey that included Likert scales and short answer questions. Focus groups and pilot testing were used to inform survey development. Thematic content analysis was performed on the qualitative data set and compared to quantitative results. RESULTS: The response rate was 75.7% (N = 84). There was strong consensus regarding the importance of core CRM principles (i.e., effective communication, team leadership, resource utilization, problem-solving, situational awareness) in ED resuscitation. Problems with coordinating team actions (58.8%), communication (69.6%), and establishing priorities (41.3%) were among factors implicated in adverse events. Interdisciplinary collaboration (95.1%), efficiency of patient care (83.9%), and decreased medical error (82.6%) were proposed benefits of CRM training. Communication between disciplines is a barrier to effective ED resuscitation for 94.4% of nurses and 59.7% of EPs (p = 0.008). Residents reported a lack of exposure to (64.3%), yet had interest in (96.4%) formal CRM education using human patient simulation. CONCLUSIONS: Nurses rate communication as a barrier to teamwork more frequently than physicians. EM residents are keen to learn CRM skills. An opportunity exists to create a novel interdisciplinary CRM curriculum to improve EM team performance and mitigate human error.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».