Evaluating Best Methods for Crisis Resource Management Education
Notice bibliographique
Résumé
INTRODUCTION: Health care training traditionally focuses on medical knowledge; however, this is not the only component of successful patient management. Nontechnical skills, such as crisis resource management (CRM), have significant impact on patient care. This study examines whether there is a difference in CRM skills taught by traditional lecture in comparison with low-fidelity simulation consisting of noncontextual learning through team problem-solving activities. METHODS: Two groups of multidisciplinary preclinical students were taught CRM through lecture or noncontextual active learning. Both groups were given a cardiopulmonary resuscitation simulation and clinical performance assessed by basic life support (BLS) checklist and CRM skills by Ottawa Global Rating Scale. The groups were reassessed at 4 months. A third group, who received no CRM education, served as a control group. RESULTS: The mean BLS scores after CRM education were 18.9 and 24.9 with mean Ottawa Global Rating Scale (GRS) scores of 22.4 and 29.1 in the didactic teaching and noncontextual groups, respectively. The difference between intervention groups was significant for BLS (P = 0.02) and Ottawa GRS (P = 0.03) score. At 4-month follow-up, there was no statistically significant difference in BLS (P = 1.0) or Ottawa GRS score (P = 0.55) between intervention groups. In comparison with the control group, there was a marginally significant difference in Ottawa GRS score (P = 0.06) at 4-month follow-up. CONCLUSIONS: Noncontextual active learning of CRM using low-fidelity simulation results in improved CRM performance in comparison with didactic teaching. The benefits of CRM education do not seem to be sustained after one education session, suggesting the need for continued education and practice of skills to improve retention.
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 | 0,009 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».