Preparing the Next Generation of Code Blue Leaders Through Simulation: What's Missing?
Notice bibliographique
Résumé
INTRODUCTION: Despite the increasing reliance on simulation to train residents as code blue leaders, the perceived role and effectiveness of code blue simulations from the learners' perspective have not been explored. A code blue Simulation Program (CBSP), developed based on evidence-based simulation principles, was implemented at our institution. We explored the role of simulation in code blue training and the differences between real and simulated code blues from the learner perspective. METHODS: Using a thematic analysis approach and a purposeful sampling strategy, residents who participated in the CBSP were invited to participate in one of the three focus groups. Data were collected through small group discussions guided by semistructured interviews. The interviews were audio-recorded and transcribed. Interview transcripts were coded to assess underlying themes. RESULTS: Thematic analysis revealed that participants believed that the CBSP enhanced preparedness by capturing aspects of real codes (eg, inclusion of precode scenarios with awake patients, lack of readily available information) and facilitating automatization of code blue processes. Despite efforts to develop a high-fidelity simulation, participants noted that they experienced more anxiety, observed more chaos in the environment, and encountered different communication challenges in real codes. CONCLUSIONS: The CBSP enhanced resident preparedness to serve as code blue leaders. Learners highlighted that they valued the CBSP; however, differences remain between simulated and real codes that could be addressed to enhance the fidelity of future simulations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».