S.T.A.R.T.T.
Notice bibliographique
Résumé
BACKGROUND: Most medical errors are nontechnical and include failures in team communication, situational awareness, resource use, and leadership. Other high-risk industries have adopted team-based crisis resource management (CRM) training strategies to address "nontechnical" skills and to improve human error and safety. Here, we describe the development and evaluation of a national multidisciplinary trauma CRM curriculum. METHODS: A needs analysis survey was distributed to general surgery program directors across Canada. With the use of this feedback, a course called STARTT [Standardized Trauma and Resuscitation Team Training] was developed and held in conjunction with the Canadian Surgery Forum. Participants completed a precourse and postcourse evaluation exploring changes in attitudes toward simulation and CRM principles using previously validated instruments. RESULTS: Twenty surgical residents, 6 nurses, 4 respiratory therapists, and 11 instructors (trauma surgeons, emergency physicians, nurses, and intensivists) participated. Of the participants, 100% completed the survey. Satisfaction was very high, with 97.5% of the participants rating the course as "good" or "excellent" and 97.5% recommending it to others. The presurvey and postsurvey showed statistically significant improvement in attitudes toward simulation and overall CRM principles (136.3 vs. 140.3 of 170, p = 0.004) following the course, primarily in the domain of teamwork (69.1 vs. 72.0 of 85, p = 0.002). CONCLUSION: Creation of a national multidisciplinary trauma CRM curriculum is feasible, has high satisfaction among participants, and can improve attitudes toward the importance of simulation and CRM principles with the ultimate goal of improving patient safety and care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».