MétaCan
Menu
Retour à la cohorte
Enregistrement W2317748901 · doi:10.1097/pts.0000000000000254

Five Topics Health Care Simulation Can Address to Improve Patient Safety: Results From a Consensus Process

2016· article· en· W2317748901 sur OpenAlexaff
Stephen Sollid, Peter Dieckman, Karina Aase, Eldar Søreide, Charlotte Ringsted, Doris Østergaard

Notice bibliographique

RevueJournal of Patient Safety · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSahlgrenska UniversitetssjukhusetRigshospitaletChildren's Hospital of PhiladelphiaImperial College LondonWashington State UniversityTerveyden ja hyvinvoinnin laitosImperial College Healthcare NHS TrustUniversitetet i Stavanger
Mots-clésPatient safetyProcess (computing)Computer scienceHealth careMEDLINEMedicineChemistryPolitical science

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: There is little knowledge about which elements of health care simulation are most effective in improving patient safety. When empirical evidence is lacking, a consensus statement can help define priorities in, for example, education and research. A consensus process was therefore initiated to define priorities in health care simulation that contribute the most to improve patient safety. METHODS: An international group of experts took part in a 4-stage consensus process based on a modified nominal group technique. Stages 1 to 3 were based on electronic communication; stage 4 was a 2-day consensus meeting at the Utstein Abbey in Norway. The goals of stage 4 were to agree on the top 5 topics in health care simulation that contribute the most to patient safety, identify the patient safety problems they relate to, and suggest solutions with implementation strategies for these problems. RESULTS: The expert group agreed on the following topics: technical skills, nontechnical skills, system probing, assessment, and effectiveness. For each topic, 5 patient safety problems were suggested that each topic might contribute to solve. Solutions to these problems and implementation strategies for these solutions were identified for technical skills, nontechnical skills, and system probing. In the case of assessment and effectiveness, the expert group found it difficult to suggest solutions and implementation strategies mainly because of lacking consensus on metrics and methodology. CONCLUSIONS: The expert group recommends that the 5 topics identified in this consensus process should be the main focus when health care simulation is implemented in patient safety curricula.

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)0,337
score de la tête « metaresearch » (Gemma)0,414
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,337
Score d'incertitude au seuil0,818

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3370,414
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0060,005
Études des sciences et des technologies0,0060,003
Communication savante0,0060,006
Science ouverte0,0030,015
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,024
Tête enseignante GPT0,355
Écart entre enseignants0,331 · 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.

Devis d'étudeQualitatif
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

Citations85
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Patient SafetyMême sujetSimulation-Based Education in HealthcareTravaux en français237 207