E‐Learning Training to Improve Pediatric Parenteral Nutrition Practice: A Pilot Study in Two University Hospitals
Notice bibliographique
Résumé
BACKGROUND: Education and training may improve the prescription of pediatric parenteral nutrition. The aim was to evaluate the impact of an e-learning method on parenteral nutrition prescription skills among pediatric residents in 2 pediatric hospitals. METHODS: A randomized double-blind control study was conducted over a 9-month period among pediatric residents in HOSP1, Geneva, Switzerland, where physicians prescribe parenteral nutrition directly, and in HOSP2, Montreal, Canada, where physicians prescribe only occasionally because clinical pharmacists are devoted to this activity. The intervention consisted of an e-learning session about key issues of parenteral nutrition. Physician parenteral nutrition knowledge was evaluated with a standardized questionnaire based on clinical cases before and after the e-learning in the intervention groups; in the control groups, only the 2 tests were conducted. In HOSP1, participants also underwent iterative tests every 2 months to measure the retention of knowledge. RESULTS: Sixty-five physicians participated. Initial knowledge scores were higher in HOSP1 (pretest scores 180 ± 29 vs 133 ± 24, p < 0.001). Overall, there was no significant difference in the impact of the e-learning intervention between the control and e-learning groups (p > 0.05). A significant knowledge improvement was observed in HOSP2 in the e-learning group (p = 0.033). Iterative tests in HOSP1 showed persistence of knowledge without significant differences between the groups. E-learning satisfaction among the participants was outstanding (100%). CONCLUSION: E-learning seems to be an effective method for teaching parenteral nutrition among pediatric residents and fellows at the beginning of the training. High satisfaction with this teaching method was observed in this study.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».