Fiberoptic Oral Intubation
Notice bibliographique
Résumé
BACKGROUND: Previous studies have indicated that fiberoptic orotracheal intubation (FOI) skills can be learned outside the operating room. The purpose of this study was to determine which of two educational interventions allows learners to gain greater capacity for performing the procedure. METHODS: Respiratory therapists were randomly assigned to a low-fidelity or high-fidelity training model group. The low-fidelity group was guided by experts, on a nonanatomic model designed to refine fiberoptic manipulation skills. The high-fidelity group practiced their skills on a computerized virtual reality bronchoscopy simulator. After training, subjects performed two consecutive FOIs on healthy, anesthetized patients with predicted "easy" intubations. Each subject's FOI was evaluated by blinded examiners, using a validated global rating scale and checklist. Success and time were also measured. RESULTS: Data were analyzed using a two-way mixed design analysis of variance. There was no significant difference between the low-fidelity (n = 14) and high-fidelity (n = 14) model groups when compared with the global rating scale, checklist, time, and success at achieving tracheal intubation (all P = not significant). Second attempts in both groups were significantly better than first attempts (P < 0.001), and there was no interaction between "fidelity of training model" and "first versus second attempt" scores. CONCLUSIONS: There was no added benefit from training on a costly virtual reality model with respect to transfer of FOI skills to intraoperative patient care. Second attempts in both groups were significantly better than first attempts. Low-fidelity models for FOI training outside the operating room are an alternative for programs with budgetary constraints.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».