MétaCan
Menu
Retour à la cohorte
Enregistrement W2587399541 · doi:10.1097/pcc.0000000000001025

Improved Clinical Performance and Teamwork of Pediatric Interprofessional Resuscitation Teams With a Simulation-Based Educational Intervention*

2017· article· en· W2587399541 sur OpenAlexafffundabout
Elaine Gilfoyle, Deanna Koot, John C. Annear, Farhan Bhanji, Adam Cheng, Jonathan P. Duff, Vincent Grant, Cecilia E. St. George-Hyslop, Nicole Delaloye, Afrothite Kotsakis, Carolyn McCoy, Christa Ramsay, Matthew J. Weiss, Ronald Gottesman

Notice bibliographique

RevuePediatric Critical Care Medicine · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensSickKids FoundationHospital for Sick ChildrenChildren's Hospital of Eastern OntarioUniversity of CalgaryMcGill UniversityNew Brunswick Community CollegeUniversité LavalUniversity of AlbertaMcGill University Health Centre
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineTeamworkDebriefingPsychological interventionResuscitationIntensive carePhysical therapyEmergency medicineMedical emergencyNursingIntensive care medicineMedical education

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: To measure the effect of a 1-day team training course for pediatric interprofessional resuscitation team members on adherence to Pediatric Advanced Life Support guidelines, team efficiency, and teamwork in a simulated clinical environment. DESIGN: Multicenter prospective interventional study. SETTING: Four tertiary-care children's hospitals in Canada from June 2011 to January 2015. SUBJECTS: Interprofessional pediatric resuscitation teams including resident physicians, ICU nurse practitioners, registered nurses, and registered respiratory therapists (n = 300; 51 teams). INTERVENTIONS: A 1-day simulation-based team training course was delivered, involving an interactive lecture, group discussions, and four simulated resuscitation scenarios, each followed by a debriefing. The first scenario of the day (PRE) was conducted prior to any team training. The final scenario of the day (POST) was the same scenario, with a slightly modified patient history. All scenarios included standardized distractors designed to elicit and challenge specific teamwork behaviors. MEASUREMENTS AND MAIN RESULTS: Primary outcome measure was change (before and after training) in adherence to Pediatric Advanced Life Support guidelines, as measured by the Clinical Performance Tool. Secondary outcome measures were as follows: 1) change in times to initiation of chest compressions and defibrillation and 2) teamwork performance, as measured by the Clinical Teamwork Scale. Correlation between Clinical Performance Tool and Clinical Teamwork Scale scores was also analyzed. Teams significantly improved Clinical Performance Tool scores (67.3-79.6%; p < 0.0001), time to initiation of chest compressions (60.8-27.1 s; p < 0.0001), time to defibrillation (164.8-122.0 s; p < 0.0001), and Clinical Teamwork Scale scores (56.0-71.8%; p < 0.0001). A positive correlation was found between Clinical Performance Tool and Clinical Teamwork Scale (R = 0.281; p < 0.0001). CONCLUSIONS: Participation in a simulation-based team training educational intervention significantly improved surrogate measures of clinical performance, time to initiation of key clinical tasks, and teamwork during simulated pediatric resuscitation. A positive correlation between clinical and teamwork performance suggests that effective teamwork improves clinical performance of resuscitation teams.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,457
Écart entre enseignants0,414 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations113
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePediatric Critical Care MedicineMême sujetSimulation-Based Education in HealthcareTravaux en français237 207