Simulation-based Training Improves Physicians' Performance in Patient Care in High-stakes Clinical Setting of Cardiac Surgery
Notice bibliographique
Résumé
BACKGROUND: Simulation-based training is useful in improving physicians' skills. However, no randomized controlled trials have been able to demonstrate the effects of simulation teaching in real-life patient care. This study aimed to determine whether simulation-based training or an interactive seminar resulted in better patient care during weaning from cardiopulmonary bypass (CPB)-a high stakes clinical setting. METHODS: This study was conducted as a prospective, single-blinded, randomized controlled trial. After institutional research board approval, 20 anesthesiology trainees, postgraduate year 4 or higher, inexperienced in CPB weaning, and 60 patients scheduled for elective coronary artery bypass grafting were recruited. Each trainee received a teaching syllabus for CPB weaning 1 week before attempting to wean a patient from CPB (pretest). One week later, each trainee received a 2-h training session with either high-fidelity simulation-based training or a 2-h interactive seminar. Each trainee then weaned patients from CPB within 2 weeks (posttest) and 5 weeks (retention test) from the intervention. Clinical performance was measured using the validated Anesthesiologists' Nontechnical Skills Global Rating Scale and a checklist of expected clinical actions. RESULTS: Pretest Global Rating Scale and checklist performances were similar. The simulation group scored significantly higher than the seminar group at both posttest (Global Rating Scale [mean +/- standard error]: 14.3 +/- 0.41 vs. 11.8 +/- 0.41, P < 0.001; checklist: 89.9 +/- 3.0% vs. 75.4 +/- 3.0%, P = 0.003) and retention test (Global Rating Scale: 14.1 +/- 0.41 vs. 11.7 +/- 0.41, P < 0.001; checklist: 93.2 +/- 2.4% vs. 77.0 +/- 2.4%, P < 0.001). CONCLUSION: Skills required to wean a patient from CPB can be acquired through simulation-based training. Compared with traditional interactive seminars, simulation-based training leads to improved performance in patient care by senior trainees in anesthesiology.
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 | 0,008 |
| 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) | 0,002 | 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 ».