How we developed a comprehensive resuscitation-based simulation curriculum in emergency medicine
Notice bibliographique
Résumé
Over the past decade, simulation-based education has emerged as a new and exciting adjunct to traditional bedside teaching and learning. Simulation-based education seems particularly relevant to emergency medicine training where residents have to master a very broad skill set, and may not have sufficient real clinical opportunities to achieve competence in each and every skill. In 2006, the Emergency Medicine program at Queen's University set out to enhance our core curriculum by developing and implementing a series of simulation-based teaching sessions with a focus on resuscitative care. The sessions were developed in such as way as to satisfy the four conditions associated with optimum learning and improvement of performance; appropriate difficulty of skill, repetitive practice, motivation, and immediate feedback. The content of the sessions was determined with consideration of the national training requirements set out by the Royal College of Physicians & Surgeons of Canada. Sessions were introduced in a stepwise fashion, starting with a cardiac resuscitation series based on the AHA ACLS guidelines, and leading up to a more advanced resuscitation series as staff became more adept at teaching with simulation, and as residents became more comfortable with this style of learning. The result is a longitudinal resuscitation curriculum that begins with fundamental skills of resuscitation and crisis resource management (CRM) in the first 2 years of residency and progresses through increasingly complex resuscitation cases where senior residents are expected to play a leadership role. This paper documents how we developed, implemented, and evaluated this resuscitation-based simulation curriculum for Emergency Medicine postgraduate trainees, with discussion of some of the challenges encountered.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».