Effect of Different Single-Session Educational Modalities on Improving Medical Students' Ability to Demonstrate Proper Pressurized Metered Dose Inhaler Technique
Notice bibliographique
Résumé
OBJECTIVE: Pressurized metered dose inhalers (pMDIs) remain important therapeutic options for obstructive lung diseases. The ability to instruct and evaluate inhaler technique is a crucial skill that all medical professionals should possess; unfortunately, many professionals lack proficiency with pMDIs. We aimed to determine if brief education interventions of differing modalities can positively affect medical students' skills over the long term. METHODS: The baseline ability of medical students and first year residents to use pMDIs was scored via a 10-point scoring system. Students were randomized to receive no education, one-on-one instruction, or video instruction. Students were then retested immediately after the education and at the 3-month mark for retention of acquired skills. RESULTS: Video, one-on-one and the placebo groups modalities statistically improved the average medical student's score in the immediate retesting (7.5 and 7.4 vs. 4.7, p < .01, respectively). Moreover, the proportion of passing grades at the immediate recall significantly improved for both modalities. During retention testing, only video education had a statistically significant improvement in pass rate over the control group, as defined by an average score of 7 or better (8 vs. 1, p < .05). CONCLUSIONS: One-on-one teaching and video education were able to improve medical students' ability to use pMDIs in short-term testing. However, only video education retained significant improvement compared with control after 3 months. This suggests that compared with traditional one-on-one teaching, video education is an effective means of teaching medical students how to improve their pMDI technique.
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 | 0,002 | 0,001 |
| 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 ».