A comparison of live tissue training and high-fidelity patient simulator
Notice bibliographique
Résumé
BACKGROUND: Trauma procedural and management skills are often learned on live tissue. However, there is increasing pressure to use simulators because their fidelity improves and as ethical concerns increase. We randomized military medical technicians (medics) to training on either simulators or live tissue to learn combat casualty care skills to determine if the choice of modality was associated with differences in skill uptake. METHODS: Twenty medics were randomized to trauma training using either simulators or live tissue. Medics were trained to perform five combat casualty care tasks (surgical airway, needle decompression, tourniquet application, wound packing, and intraosseous line insertion). We measured skill uptake using a structured assessment tool. The medics also completed exit questionnaires and interviews to determine which modality they preferred. RESULTS: We found no difference between groups trained with live tissue versus simulators in how they completed each combat casualty care skill. However, we did find that the modality of assessment affected the assessment score. Finally, we found that medics preferred trauma training on live tissue because of the fidelity of tissue handling in live tissue models. However, they also felt that training on simulators also provided additional training value. CONCLUSION: We found no difference in performance between medics trained on simulators versus live tissue models. Even so, medics preferred live tissue training over simulation. However, more studies are required, and future studies need to address the measurement bias of measuring outcomes in the same model on which the study participants are trained. LEVEL OF EVIDENCE: Therapeutic/care management study, level II.
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 | 0,001 |
| 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) | 0,000 | 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 ».