Unanticipated Difficult Airway in Obstetric Patients
Notice bibliographique
Résumé
BACKGROUND: The objective of this study was to develop a consensus-based algorithm for the management of the unanticipated difficult airway in obstetrics, and to use this algorithm for the assessment of anesthesia residents' performance during high-fidelity simulation. METHODS: An algorithm for unanticipated difficult airway in obstetrics, outlining the management of six generic clinical situations of "can and cannot ventilate" possibilities in three clinical contexts: elective cesarean section, emergency cesarean section for fetal distress, and emergency cesarean section for maternal distress, was used to create a critical skills checklist. The authors used four of these scenarios for high-fidelity simulation for residents. Their critical and crisis resource management skills were assessed independently by three raters using their checklist and the Ottawa Global rating scale. RESULTS: Sixteen residents participated. The checklist scores ranged from 64-80% and improved from scenario 1 to 4. Overall Global rating scale scores were marginal and not significantly different between scenarios. The intraclass correlation coefficient of 0.69 (95% CI: 0.58, 0.78) represents a good interrater reliability for the checklist. Multiple critical errors were identified, the most common being not calling for help or a difficult airway cart. CONCLUSIONS: Aside from identifying common critical errors, the authors noted that the residents' performance was poorest in two of our scenarios: "fetal distress and cannot intubate, cannot ventilate" and "maternal distress and cannot intubate, but can ventilate." More teaching emphasis may be warranted to avoid commonly identified critical errors and to improve overall management. Our study also suggests a potential for experiential learning with successive simulations.
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 ».