Learning optimal opioid prescribing and monitoring: a simulation study of medical residents
Notice bibliographique
Résumé
Abstract Objective Hospitalized patients often receive opioids. There is a lack of consensus regarding evidence-based guidelines or training programs for effective management of pain in the hospital. We investigated the viability of using an Internet-based opioid dosing simulator to teach residents appropriate use of opioids to treat and manage acute pain. Materials and methods We used a prospective, longitudinal design to evaluate the effects of simulator training. In face-to-face didactic sessions, we taught 120 (108 internal medicine and 12 family medicine) residents principles of pain management and how to use the simulator. Each trainee completed 10 training and, subsequently, 5 testing trials on the simulator. For each trial, we collected medications, doses, routes and times of administration, pain scores, and a summary score. We used mixed-effects regression models to assess the impact of simulation training on simulation performance scores, variability in pain score trajectories, appropriate use of short- and long-acting opioids, and use of naloxone. Results Trainees completed 1582 simulation trials (M = 13.2, SD = 6.8), with sustained improvements in their simulated pain management practices. Over time, trainees improved their overall simulated pain management scores (b = 0.05, P < .01), generated lower pain score trajectories with less variability (b = −0.02, P < .01), switched more rapidly from short-acting to long-acting agents (b = −0.50, P < .01), and used naloxone less often (b = −0.10, P < .01). Discussion and conclusions Trainees translated their understanding of didactically presented principles of pain management to their performance on simulated patient cases. Simulation-based training presents an opportunity for improving opioid-based inpatient acute pain management.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».