Comparison of Unmanned Aerial Vehicle Technology-Assisted Triage versus Standard Practice in Triaging Casualties by Paramedic Students in a Mass-Casualty Incident Scenario
Notice bibliographique
Résumé
IntroductionThe proliferation of unmanned aerial vehicle (UAV) technology has the potential to change the way medical incident commanders (ICs) respond to mass-casualty incidents (MCIs) in triaging victims. The aim of this study was to compare UAV technology to standard practice (SP) in triaging casualties at an MCI. METHODS: A randomized comparison study was conducted with 40 paramedic students from the Holland College Paramedicine Program (Charlottetown, Prince Edward Island, Canada). Using a simulated motor vehicle collision (MVC) with moulaged casualties, iterations of 20 students were used for both a day and a night trial. Students were randomized to a UAV or a SP group. After a brief narrative, participants either entered the study environment or used UAV technology where total time to triage completion, GREEN casualty evacuation, time on scene, triage order, and accuracy were recorded. RESULTS: A statistical difference in the time to completion of 3.63 minutes (95% CI, 2.45 min-4.85 min; P=.002) during the day iteration and a difference of 3.49 minutes (95% CI, 2.08 min-6.06 min; P=.002) for the night trial with UAV groups was noted. There was no difference found in time to GREEN casualty evacuation, time on scene, or triage order. One-hundred-percent accuracy was noted between both groups. CONCLUSION: This study demonstrated the feasibility of using a UAV at an MCI. A non-clinical significant difference was noted in total time to completion between both groups. There was no increase in time on scene by using the UAV while demonstrating the feasibility of remotely triaging GREEN casualties prior to first responder arrival.Jain T, Sibley A, Stryhn H, Hubloue I.Comparison of unmanned aerial vehicle technologyassisted triage versus standard practice in triaging casualties by paramedic students in a mass-casualty incident scenario. Prehosp Disaster Med. 2018;33(4):375-380.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 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 ».