Exploring intensive care nurses’ team performance in a simulation-based emergency situation, − expert raters’ assessments versus self-assessments: an explorative study
Notice bibliographique
Résumé
BACKGROUND: Effective teamwork has proven to be crucial for providing safe care. The performance of emergencies in general and cardiac arrest situations in particular, has been criticized for primarily focusing on the individual's technical skills and too little on the teams' performance of non-technical skills. The aim of the study was to explore intensive care nurses' team performance in a simulation-based emergency situation by using expert raters' assessments and nurses' self-assessments in relation to different intensive care specialties. METHODS: The study used an explorative design based on laboratory high-fidelity simulation. Fifty-three registered nurses, who were allocated into 11 teams representing two intensive care specialties, participated in a videotaped simulation-based cardiac arrest setting. The expert raters used the Ottawa Crisis Resource Management Global Rating Scale and the first part of the Mayo High Performance Teamwork Scale to assess the teams' performance. The registered nurses used the first part of the Mayo High Performance Teamwork Scale for their self-assessments, and the analyses used were Chi-square tests, Mann-Whitney U tests, Spearman's rho and Intraclass Correlation Coefficient Type III. RESULTS: The expert raters assessed the teams' performance as either advanced novice or competent, with significant differences being found between the teams from different specialties. Significant differences were found between the expert raters' assessments and the registered nurses' self-assessments. CONCLUSIONS: Teams of registered nurses representing specialties with coronary patients exhibit a higher competence in non-technical skills compared to team performance regarding a simulated cardiac arrest. The use of expert raters' assessments and registered nurses' self-assessments are useful in raising awareness of team performance with regard to patient safety.
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 | 0,016 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».