Managing the airway catastrophe: Longitudinal simulation-based curriculum to teach airway management
Notice bibliographique
Résumé
BACKGROUND: A longitudinal curriculum was developed in conjunction with anesthesiologists, otolaryngologists, emergency physicians and experts in medical simulation and education. METHODS: Residents participated in four different simulation-based training modules using animal models, cadavers, task trainers, and crisis scenarios using high fidelity manikins. Scenarios were based on various clinical settings (i.e. emergency room, operating room) and were followed by video-assisted structured debriefings. Participants completed both a self-assessment questionnaire and an exit survey using five-point Likert scales. RESULTS: 31 otolaryngology residents participated in the curriculum. Residents reported simulation training significantly improved technical skills such as tracheostomy, cricothyroidotomy and pediatric intubation (p < 0.05 for all). Non-technical skills, including communication, delegation and management were significantly improved on post-test surveys in simulated crisis scenarios (p < 0.05 for all). 90 (28/31) of participants found simulations to be very realistic. Junior residents placed increased value on didactic teaching and procedural skills, while senior residents on crisis scenarios. Survey results indicated that > 90% (28/31) of participants found the modules of the curriculum to be useful and would recommend them to others. CONCLUSION: A longitudinal simulation-based medical curriculum can be an effective method to teach airway management and teamwork skills to otolaryngology residents.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».