A Flipped Classroom Approach to Improving the Quality of Delirium Care Using an Interprofessional Train-the-Trainer Program
Notice bibliographique
Résumé
INTRODUCTION: Given the prevalence and morbidity associated with delirium, there is a need for effective and efficient institutional approaches to delirium training in health care settings. Novel education methods, specifically the "flipped classroom" (FC) and "train-the-trainer" (TTT), have the potential to address these delirium training gaps. This study evaluates the effect of a TTT FC interprofessional delirium training program on participants' perceived ability to manage delirium, delirium knowledge, and clinicians' delirium assessment behaviors. METHODS: FC Delirium TTT sessions were implemented in a large four-hospital network and consisted of presession online work and a 3-hour in-session component. The 156 TTT interprofessional participants who attended the sessions (ie, trainers) were expected to then deliver delirium training to their patient care units. Delirium care self-efficacy and knowledge test scores were measured before, after, and 6 months after the training session. Clinician delirium assessment rates were measured by chart audits before and 3 months after trainer's implementation of delirium training sessions. RESULTS: Delirium knowledge test scores (7.8 ± 1.6 versus 9.7 ± 1.2, P < .001) and delirium care self-efficacy were significantly higher immediately after the TTT session compared with those of presession and these differences remained significant at 6-month after the TTT session. Trainer sessions significantly improved clinician delirium assessment rates from 53% for pretraining to 66% for posttraining. DISCUSSION: Our data suggest that a TTT FC delirium training approach can improve participants' perceived delirium care skills and confidence, and delirium knowledge up to 6 months after the session. This approach provides a model for implementing hospitalwide delirium education that can change delirium assessment behavior while minimizing time and personnel requirements.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».