Letter in Response to Kim M, Torrie I, Poisson R, Withers N, Bjarnason S, DaLuz LT, Pannell D, Beckett A, Tien HC. The Value of Live Tissue Training for Combat Casualty Care: A Survey of Canadian Combat Medics with Battlefield Experience in Afghanistan. Mil Med. 2017 Sep;182(9):e1834–e1840
Notice bibliographique
Résumé
Letter in response to: Kim M, Torrie I, Poisson R, Withers N, Bjarnason S, DaLuz LT, Pannell D, Beckett A, Tien HC. The value of live tissue training for combat casualty care: A survey of Canadian combat medics with battlefield experience in Afghanistan. Mil Med. 2017 Sep;182(9):e1834–e1840 We thank Kim and colleagues for their study of the perceived value of live tissue training (LTT) on animals versus training on human patient simulators (HPS) in preparing combat medics for battlefield trauma care. However, their recommendation to continue support for LTT in military medical training is based on outdated literature, a study sample size that is too small to be credible, and a disproportionate reliance solely on medics’ emotive preference for a certain training modality without a critical assessment of how such training affects clinical outcomes. This is despite an abundance of peer-reviewed evidence from military studies that clearly demonstrates that HPS training methods teach trauma care skills as well as better than LTT while also being more cost-effective. Based on fiscal, logistical, and pedagogical benefits offered by human simulation technology, in 2017, the U.S. Coast Guard replaced LTT with HPS training methods, and as Kim and colleagues note that nearly 80% of NATO nations do not use animals for their military trauma training courses.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,021 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,013 |
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 ».