MétaCan
Menu
Retour à la cohorte
Enregistrement W2300785004 · doi:10.1017/s1049023x16000091

First Responder Accuracy Using SALT during Mass-casualty Incident Simulation

2016· article· en· W2300785004 sur OpenAlexaff
Christopher W.C. Lee, Shelley McLeod, Kristine Van Aarsen, Michelle Klingel, Jeffrey Michael Franc, Michael Peddle

Notice bibliographique

RevuePrehospital and Disaster Medicine · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensUniversity of AlbertaWestern University
Organismes subventionnairesnon disponible
Mots-clésTriageMass-casualty incidentMedical emergencyMedicineEmergency medical servicesCoachingPsychological interventionEmergency medicineMass CasualtyPoison controlInjury preventionPsychologyNursing

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: During mass-casualty incidents (MCIs), patient volume often overwhelms available Emergency Medical Services (EMS) personnel. First responders are expected to triage, treat, and transport patients in a timely fashion. If other responders could triage accurately, prehospital EMS resources could be focused more directly on patients that require immediate medical attention and transport. HYPOTHESIS: Triage accuracy, error patterns, and time to triage completion are similar between second-year primary care paramedic (PCP) and fire science (FS) students participating in a simulated MCI using the Sort, Assess, Life-saving interventions, Treatment/Transport (SALT) triage algorithm. METHODS: All students in the second-year PCP program and FS program at two separate community colleges were invited to participate in this study. Immediately following a 30-minute didactic session on SALT, participants were given a standardized briefing and asked to triage an eight-victim, mock MCI using SALT. The scenario consisted of a four-car motor vehicle collision with each victim portrayed by volunteer actors given appropriate moulage and symptom coaching for their pattern of injury. The total number and acuity of victims were unknown to participants prior to arrival to the mock scenario. RESULTS: Thirty-eight PCP and 29 FS students completed the simulation. Overall triage accuracy was 79.9% for PCP and 72.0% for FS (∆ 7.9%; 95% CI, 1.2-14.7) students. No significant difference was found between the groups regarding types of triage errors. Over-triage, under-triage, and critical errors occurred in 10.2%, 7.6%, and 2.3% of PCP triage assignments, respectively. Fire science students had a similar pattern with 15.2% over-triaged, 8.7% under-triaged, and 4.3% critical errors. The median [IQR] time to triage completion for PCPs and FSs were 142.1 [52.6] seconds and 159.0 [40.5] seconds, respectively (P=.19; Mann-Whitney Test). CONCLUSIONS: Primary care paramedics performed MCI triage more accurately than FS students after brief SALT training, but no difference was found regarding types of error or time to triage completion. The clinical importance of this difference in triage accuracy likely is minimal, suggesting that fire services personnel could be considered for MCI triage depending on the availability of prehospital medical resources and appropriate training.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,049
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,049
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,411
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePrehospital and Disaster MedicineMême sujetDisaster Response and ManagementTravaux en français237 207