MétaCan
Menu
Retour à la cohorte
Enregistrement W2320455455 · doi:10.15766/mep_2374-8265.592

CMS Transportable Simulation-Based Training Curriculum in Patient Safety

2009· article· en· W2320455455 sur OpenAlexaff
Marc J. Shapiro, Leo Kobayashi, Frank Overly, David Lindquist, Pat Croskerry, Christopher Beach, Ravi S. Behara, Eric M. Eisenberg, Lexa Murphy, Shawna J. Perry, Mary Vanderhoef, Robert L. Wears, Cherri Hogbood, Kavita M. Babu

Notice bibliographique

RevueMedEdPORTAL · 2009
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésCurriculumLandmarkMedical educationPatient safetyTraining (meteorology)Process (computing)Computer scienceMedical physicsMedicinePsychologyArtificial intelligencePedagogyPolitical scienceOperating systemGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Patient safety has received significant press and funding for advancement since the landmark Institute of Medicine report in 1999. However, the difficult process of fostering cultural change in medicine requires that new educational methods, curricula, and assessment tools be instituted at the earliest possible opportunity in medical education. Simulation offers a method to assess performance in low-frequency but high-risk situations in an environment closely replicating daily clinical work. Methods This modular package is a transportable simulation-based curriculum designed to provide patient safety and human factors training for health care providers and learners. The curriculum identifies certain ACGME-designated competency domains as being amenable to assessment by simulation. Separately, probe instruments meant to evaluate learner retention of module teaching points and to serve in larger-scale validation studies are specified. The curriculum presents these competency domains and investigative probes within each module's simulation case. The specific areas of focus are (1) clinician recognition of cognitive biases that lead to diagnostic error, (2) teamwork in emergent resuscitations, (3) authority gradients and cultural change (e.g., medical error disclosure), and (4) transitions in care. These elements have repeatedly been determined to contribute significantly to preventable medical error. Using PowerPoint slide shows and simulation cases, the component modules are designed to educate and evaluate health care providers of all levels in these critical patient safety issues. Clinical content of the included simulation cases covers (1) difficult airway management, (2) multipatient multitrauma management, (3) toxic acetaminophen ingestion and antidote complications, and (4) contrast anaphylactoid reaction. Through these participatory learning exercises, the curriculum attempts to promote and ingrain a culture of safety in the participants. Results Participant surveys and performance data of residents and teams were collected and uniformly showed high levels of acceptance and satisfaction with simulation-based medical education. Although measurement of actual improvement in patient outcomes was not possible, surrogate measures of performance were collected. Discussion In a program jointly supported by this project and the study site's risk management department, pediatric residents demonstrated improvement in crucial skills such as airway and resuscitation management, team performance, and overall competency. The modules have been compiled into a stand-alone package for dissemination as a ready reference and for future collaborative research efforts.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,140

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0420,007

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 Opus0,032
Tête enseignante GPT0,338
Écart entre enseignants0,307 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

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

En bref

Citations1
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedEdPORTALMême sujetSimulation-Based Education in HealthcareTravaux en français237 207