Teaching M&M rounds skills: enhancing and assessing patient safety competencies using the Ottawa M&M model
Notice bibliographique
Résumé
BACKGROUND: Postgraduate medical education bodies and national patient safety institutes recommend that trainees develop patient safety competencies such as those for Morbidity and Mortality (M&M) rounds, yet there exists no model for their educational delivery. OBJECTIVE: We studied the effect of a single educational intervention on emergency medicine residents' aptitudes in selecting and analysing M&M rounds cases. METHODS: In this before-and-after study, participants attended an 1 h educational session based on the previously described Ottawa Morbidity and Mortality Model (OM3). Residents were asked to submit a case suitable for M&M rounds both preintervention and postintervention. A novel M&M rounds case critique tool was developed based on OM3 and used to assign a numerical score to each submitted case. Our primary outcome was an increase in mean scores between phases using the case critique tool. An a priori score increase of 1 was defined as educationally significant. Data were analysed using a paired Student's t test. RESULTS: A total of 19 residents were recruited for our pre-intervention and 15 residents for the post-intervention analysis. Mean M&M rounds case critique scores increased from 5.53 to 8.67 (p<0.01) between phases. Residents reported higher comfort with structured case selection and analysis, with an increase in five-point Likert scale means of 2.32 and 3.69 (p<0.01). CONCLUSIONS: We found that residents were more effective at M&M rounds case selection and analysis after our focused 1 h educational intervention. Training programmes should consider an M&M rounds training model to ensure future physicians have these skills for 21st-century practice.
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 | 0,005 | 0,006 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».