MétaCan
Menu
Retour à la cohorte
Enregistrement W2803282500 · doi:10.1093/pch/pxy054.042

IMPROVING SYSTEM READINESS, STAFF PREPAREDNESS AND PATIENT SAFETY IN A NEW SINGLE FAMILY ROOM NICU THROUGH IN SITU SIMULATION

2018· article· en· W2803282500 sur OpenAlexaff
Ahmed Moussa, Audrey Larone-Juneau, Laura Fazilleau, Marie-Eve Rochon, Justine Giroux, Marianne Lapointe, Émilie St-Pierre, Beverley Robin, Jesse Bender

Notice bibliographique

RevuePaediatrics & Child Health · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensCentre Hospitalier Universitaire Sainte-Justine
Organismes subventionnairesnon disponible
Mots-clésDebriefingPreparednessMultidisciplinary approachLikert scalePatient safetyScale (ratio)Health careNursingMedical emergencyMedicinePsychologyMedical education

Résumé

récupéré en direct d'OpenAlex

Abstract BACKGROUND Transitions to new healthcare environments can negatively impact patient care and threaten patient safety. Immersive in situ simulation conducted in newly constructed single family room (SFR) Neonatal Intensive Care Units (NICUs) prior to occupancy, has been shown to be effective in testing new environments and identifying latent safety threats (LSTs). These simulations overlay human factors to identify LSTs as new and existing process and systems are implemented in the new environment OBJECTIVES We aimed to demonstrate that large-scale, immersive, in situ simulation prior to the transition to a new SFR NICU improves: 1) systems readiness, 2) staff preparedness, 3) patient safety, 4) staff comfort with simulation, and 5) staff attitude towards culture change. DESIGN/METHODS Multidisciplinary teams of neonatal healthcare providers (HCP) and parents of former NICU patients participated in large-scale, immersive in-situ simulations conducted in the new NICU prior to occupancy. One eighth of the NICU was outfitted with equipment and mannequins and staff performed in their native roles. Multidisciplinary debriefings, which included parents, were conducted immediately after simulations to identify LSTs. Through an iterative process issues were resolved and additional simulations conducted. Debriefings were documented and debriefing transcripts transcribed and LSTs classified using qualitative methods. To assess systems readiness and staff preparedness for transition into the new NICU, HCPs completed surveys prior to transition, post-simulation and post-transition. Systems readiness and staff preparedness were rated on a 5-point Likert scale. Average survey responses were analyzed using dependent samples t-tests and repeated measures ANOVAs. RESULTS One hundred eight HCPs and 24 parents participated in six half-day simulation sessions. A total of 75 LSTs were identified and were categorized into eight themes: 1) work organization, 2) orientation and parent wayfinding, 3) communication devices/systems, 4) nursing and resuscitation equipment, 5) ergonomics, 6) parent comfort; 7) work processes, and 8) interdepartmental interactions. Prior to the transition to the new NICU, 76% of the LSTs were resolved. Survey response rate was 31%, 16%, 7% for baseline, post-simulation and post-move surveys, respectively. System readiness at baseline was 1.3/5,. Post-simulation systems readiness was 3.5/5 (p = 0.0001) and post-transition was 3.9/5 (p = 0.02). Staff preparedness at baseline was 1.4/5. Staff preparedness post-simulation was 3.3/5 (p = 0.006) and post-transition was 3.9/5 (p = 0.03). CONCLUSION Large-scale, immersive in situ simulation is a feasible and effective methodology for identifying LSTs, improving systems readiness and staff preparedness in a new SFR NICU prior to occupancy. However, to optimize patient safety, identified LSTs must be mitigated prior to occupancy. Coordinating large-scale simulations is worth the time and cost investment necessary to optimize systems and ensure patient safety prior to transition to a new SFR NICU.

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)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,026
Tête enseignante GPT0,316
Écart entre enseignants0,290 · 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'étudeQualitatif
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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child HealthMême sujetSimulation-Based Education in HealthcareTravaux en français237 207