MétaCan
Menu
Retour à la cohorte
Enregistrement W2790148740 · doi:10.1542/hpeds.2017-0112

It Takes a Village to Move a Hospital: Simulation Improves Intensive Care Team Preparedness for a Move to a New Site

2018· article· en· W2790148740 sur OpenAlexaff
Conall Francoeur, Sarah Shea, Margaret Ruddy, Patrícia S. Fontela, Farhan Bhanji, Saleem Razack, Ronald Gottesman, Tanya Di Genova

Notice bibliographique

RevueHospital Pediatrics · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensMcGill UniversityMontreal Children's Hospital
Organismes subventionnairesnon disponible
Mots-clésDebriefingMedicinePreparednessLikert scaleThematic analysisIntensive care unitPaediatric intensive care unitRapid response teamConfidence intervalEmergency medicineMedical emergencyFamily medicineNursingQualitative researchIntensive care medicineMedical educationInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: To evaluate in-situ simulation to prepare a PICU to move to a new, redesigned unit. METHODS: The study setting is an academic PICU. This is a cross-sectional study using in-situ simulations of common PICU admissions. Postsimulation, participants completed a survey comparing the perception of preparedness pre- and postsimulation (via a 10-point Likert scale). Participants were resurveyed 6 months postmove to assess whether effects persisted. Qualitative data were obtained via thematic review of the survey comment section and from postsimulation debriefing. RESULTS: Response rates were initially 100% and 67% at the 6-month follow-up. In the initial phase, all questions had statistically significant improvements in post- versus presimulation scores. Participants felt better prepared (presimulation: 6.20, postsimulation: 7.90, P < .001) and more confident about caring for real patients (presimulation: 5.49, postsimulation: 7.41, P < .001). They felt more comfortable working in the new unit (presimulation: 5.65, postsimulation: 7.50, P < .001) and better able to deliver safe care (presimulation: 5.85, postsimulation: 7.60, P < .001). Six months postmove, participants still believed that simulation was helpful (7.43, SD: 2.20) and still reported improved team confidence (7.36, SD: 2.11). Only 1 of 28 participants preferred less simulation. Exercises were described as helpful in identifying process and latent patient safety issues. CONCLUSIONS: Our pediatric intensive care team found simulations to be beneficial in preparation for providing care to critically ill children in a complex new setting. Simulations uncovered latent process, personnel, and patient-safety issues that were addressed before actual patient care.

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)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,344
Écart entre enseignants0,325 · 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'étudeSimulation ou modélisation
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

Citations24
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHospital PediatricsMême sujetSimulation-Based Education in HealthcareTravaux en français237 207