Patient Safety Training Simulations Based on Competency Criteria of the Accreditation Council for Graduate Medical Education
Notice bibliographique
Résumé
This report reviews and critically evaluates the development of 3 movements in healthcare that have had a profound impact on changes occurring at all levels of medical education: patient safety, healthcare simulation, and competency-based education (exemplified by the Accreditation Council for Graduate Medical Education). The authors performed a critical and selective review of the literature from 1999 to 2011 to identify uses of simulation to address patient-safety issues aligned according to the Accreditation Council for Graduate Medical Education 6 core competencies: (1) patient care; (2) medical knowledge; (3) interpersonal and communication skills; (4) professionalism; (5) practice-based learning; and (6) systems-based practice. The research synthesis is reported to inform and provide evidence about how simulation is used to train and evaluate learners on a range of patient-safety issues for each of the core competencies: There is emerging evidence that simulation can be used in training efforts to reduce medical errors related to medical knowledge and patient care (particular invasive procedures as well as improved communication and teamwork skills). There remains limited evidence on its impact to improve patient safety related to more complex competencies of practice-based learning and systems-based practice. Simulation-based learning can lead to positive patient outcomes and reduction of medical errors particularly when used for individual skills. However, particular attention needs to be placed on the organizational context in which it is implemented if improvements in practice-based learning and systems-based practice are to be realized.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».