The impact of simulation-based teaching on home hemodialysis patient training
Notice bibliographique
Résumé
BACKGROUND: Simulation has been associated with positive educational benefits in the training of healthcare professionals. It is unknown whether the use of simulation to supplement patient training for home hemodialysis (HHD) will assist in improving a patient's transition to home. We aim to assess the impact of simulation training on home visits, retraining and technique failure. METHODS: Since February 2013, patients training for HHD are required to dialyze independently in a dedicated training room (innovation room) which simulates a patient's home prior to graduation from the program. We performed a single-center retrospective, observational, cohort study comparing patients who completed training using the innovation room (n = 28) versus historical control (n = 21). The outcome measures were number of home visits, retraining visits and technique failure. RESULTS: Groups were matched for age, gender, race, body mass index and comorbidities. Compared with controls, significantly more cases had a permanent vascular access at the commencement of training (57.1 versus 28.6%, χ(2) P = 0.04). Cases spent a median of 2 days [IQR (1.75)] in the innovation room. Training duration was not statistically different between groups {cases: median 10.0 weeks [IQR (6.0)] versus controls: 11.0 [IQR (4.0)]}. Compared with controls, cases showed a trend towards needing less home visits with no difference in the number of re-training session or technique failure. CONCLUSIONS: Simulation-based teaching in NHHD training is associated with a trend to a reduction in the number of home visits but had no effect on the number of re-training sessions or proportion of patients with technique failure.
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 | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».