Anesthesiology Resident Induction Month: a pilot study showing an effective and safe way to train novice residents through simulation
Notice bibliographique
Résumé
BACKGROUND: The transition of new residents from medical school to the post-graduate clinical environment remains challenging. We hypothesized that an introductory simulation course could improve new residents' performance in anesthesiology. METHODS: The Anesthesiology Residents Induction Month (ARIM) program was designed as a non-clinical simulation training program aiming at providing the theoretical and practical skills to safely approach, as junior anesthesiologists, the operating rooms. For each participant, specific knowledge, procedural skills and non-technical performance were assessed with a pre and post-test approach, before and immediately after the participation in the study. RESULTS: Fifteen first-month residents participated in the study. As compared to pre-test, residents significantly improved in all three evaluated areas. Pre-test knowledge assessment mean improved from 56% to 73% in the post-test (P<0.001). In the procedural skills assessment, pre-test mean improved from 43% to 77% (P<0.001) and non-technical skills assessment improved from 3.17 to 4.61 (in a scale out of seven points) in the post-test (P<0.001). CONCLUSIONS: Data suggest that an intensive simulation-based program can be an effective way for first-year residents to rapidly acquire and develop basic skills specific to anesthesiology. There might be benefits to begin residency with a training program aiming at developing and standardizing technical and non-technical skills.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».