Chambre des erreurs : d'une réalité régionale au parcours immersif à 360°
Notice bibliographique
Résumé
Room of horrors are medical simulation tools created 12 years ago in Canada. They allow learners to identify patient care errors (hygiene, patient welfare, drugs…) intentionally added in a reconstituted patient room. These risk management tools allowed the training of tens of thousands of caregivers about risks associated with care giving. They also helped raise awareness among inpatients and users. However, the implementation of these rooms of horrors requires significant human and material resources to renew the scenarios. Moreover, the novelty effect eroding over time, we must think about revised concepts, considering the digital transition of education and health systems. IatroMed 360° is an innovative solution ofroom of horrors focused on medication errors. This serious game produced by the “association pour le digital et l’information en pharmacie” (ADIPh) used 360° virtual tour and virtual reality. With a smartphone, a tablet or a computer, the learner is immersed in a care unit and has to identify 18 medication errors. The serious-game has been published in 2016. It has been used for initial and continuous training of more than 300 learners, all over the French territory. The satisfaction of learners and trainers confirms the need to sustain the tool and to consider possible variations: a similar room, focused on oncology care and a chemotherapy unit, SimUPAC 360 °, was created in 2017. Other tools are being developed and should help combat adverse events associated with hospitalisation.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,002 |
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 ».