Implementation of Chest Compression Feedback Technology to Improve the Quality of Cardiopulmonary Resuscitation in the Emergency Department: A Quality Initiative Test-of-change Study
Notice bibliographique
Résumé
Background Cardiopulmonary resuscitation (CPR) metrics including compression rate and depth are associated with improved outcomes and the need for high-quality CPR is emphasized in both the American Heart Association (AHA) and Heart and Stroke Foundation of Canada (HSFC) guidelines. While these metrics can be utilized to assess the quality of CPR, they are infrequently measured in an objective fashion in the emergency department. Objectives As part of an Emergency Department (ED) Quality Improvement (QI) project, we sought to determine the impact of real-time audio-visual (AV) feedback during CPR amongst ED healthcare providers. Methods Participants performed two minutes of uninterrupted CPR without AV feedback, followed by two minutes of CPR with AV feedback after a two-minute rest period in a simulated CPR setting. CPR metrics were captured by the defibrillator and uploaded to review software for analysis of each event. Results The use of real-time AV feedback resulted in a significant improvement in the number of participants meeting AHA/HSFC recommended depth (38%, p = 0.0003) and rate (35%, p = 0.0002). Importantly, 'compressions in target', where participants met both rate and depth simultaneously, improved with AV feedback (19 vs 61%, p < 0.0001). Conclusions We found a significant improvement in compliance with CPR depth and rate targets as well as 'compressions in target' with the use of real-time AV feedback during simulation training. Future research is needed to ascertain whether these results would be replicated in other settings. Our findings do provide a robust argument for the implementation of real-time AV CPR feedback in Hamilton Emergency Departments.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».