A cost-effectiveness analysis of self-debriefing versus instructor debriefing for simulated crises in perioperative medicine in Canada
Notice bibliographique
Résumé
PURPOSE: High-fidelity simulation training is effective for learning crisis resource management (CRM) skills, but cost is a major barrier to implementing high-fidelity simulation training into the curriculum. The aim of this study was to examine the cost-effectiveness of self-debriefing and traditional instructor debriefing in CRM training programs and to calculate the minimum willingness-to-pay (WTP) value when one debriefing type becomes more cost-effective than the other. METHODS: This study used previous data from a randomized controlled trial involving 50 anesthesiology residents in Canada. Each participant managed a pretest crisis scenario. Participants who were randomized to self-debrief used the video of their pretest scenario with no instructor present during their debriefing. Participants from the control group were debriefed by a trained instructor using the video of their pretest scenario. Participants individually managed a post-test simulated crisis scenario. We compared the cost and effectiveness of self-debriefing versus instructor debriefing using net benefit regression. The cost-effectiveness estimate was reported as the incremental net benefit and the uncertainty was presented using a cost-effectiveness acceptability curve. RESULTS: Self-debriefing costs less than instructor debriefing. As the WTP increased, the probability that self-debriefing would be cost-effective decreased. With a WTP ≤Can$200, the self-debriefing program was cost-effective. However, when effectiveness was priced higher than cost-savings and with a WTP >Can$300, instructor debriefing was the preferred alternative. CONCLUSION: With a lower WTP (≤Can$200), self-debriefing was cost-effective in CRM simulation training when compared to instructor debriefing. This study provides evidence regarding cost-effectiveness that will inform decision-makers and clinical educators in their decision-making process, and may help to optimize resource allocation in education.
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 | 0,008 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».