Crew Resource Management in the trauma room: a prospective 3-year cohort study
Notice bibliographique
Résumé
OBJECTIVE: Human factors account for the majority of adverse events. Human factors awareness training entitled Crew Resource Management (CRM) is associated with improved safety and reduced complications and mortality in critically ill patients. We determined the effects of CRM implementation in the trauma room of an Emergency Department (ED). PATIENTS AND METHODS: A prospective 3-year cohort study was carried out in a level 1 ED, admitting more than 12 000 patients annually (>1500 trauma related). At the end of the baseline year, CRM training was performed, followed by an implementation year. The third year was defined as the clinical effect year. The primary outcomes were safety climate, measured using the Safety Attitudes Questionnaire, and ED length of stay. The secondary outcome measures were hospital length of stay and 48-h crude mortality of trauma patients. RESULTS: All 5070 trauma patients admitted to the ED during the study period were included. Following CRM implementation, safety climate improved significantly in three out of six Safety Attitudes Questionnaire domains, both at the end of the implementation and clinical effect years: teamwork climate, safety climate, and stress recognition. ED length of stay of these patients increased from 141 (102-192) in the baseline year to 161 (116-211) and 170 (128-223) min in the implementation and clinical effect years, respectively (P<0.05 vs. baseline). Hospital length of stay was prolonged by 1 day in the implementation and clinical effect years (P<0.05 vs. baseline), whereas mortality was unaltered. CONCLUSION: Although CRM implementation in the ED was associated with an improved safety climate, the time spent by trauma patients in the ED increased.
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 | 0,010 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».