MétaCan
Menu
Retour à la cohorte
Enregistrement W3006329362 · doi:10.1097/sih.0000000000000408

Design Thinking–Informed Simulation

2020· article· en· W3006329362 sur OpenAlexaff
Andrew Petrosoniak, Christopher Hicks, Lee Barratt, Dominic Gascon, Candis Kokoski, Doug Campbell, Kari White, Glen Bandiera, Margaret Moy Lum-Kwong, Lori Nemoy

Notice bibliographique

RevueSimulation in Healthcare The Journal of the Society for Simulation in Healthcare · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésBrainstormingHealth careComputer scienceMultidisciplinary approachProcess (computing)Process managementDesign thinkingSystems engineeringManagement scienceEngineering managementEngineeringHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Designing new healthcare facilities is complex and transitions to new clinical environments carry high risks, as unanticipated problems may arise resulting in inefficient care and patient harm. Design thinking, a human-centered design method, represents a unique framework to support the planning, testing, and evaluation of new clinical spaces throughout all phases of construction. Healthcare simulation has been used to test new clinical spaces, yet most report using simulation only in the late design stages. Moreover, healthcare design models have potentially underused human factors approaches calling for human-centered design. We applied a multimodal simulation-based approach underpinned by the principles of design thinking throughout the planning and construction stages of a newly renovated academic emergency department. METHODS: A multidisciplinary team developed and integrated 3 simulation strategies (table-top, mock-up, and in situ simulation) into the 5-step process of design thinking. Through end-user engagement, we identified potential challenges, prototyped solutions through table-top and mock-up simulations, and iteratively tested these solutions through in situ simulation within the actual clinical space. RESULTS: The team used end-user engagement and feedback to brainstorm and implement effective solutions to problems encountered before opening the new emergency department. The iterative steps and targeted use of simulation resulted in redesigning departmental processes and actual clinical space while mitigating anticipated safety threats and departmental deficiencies. CONCLUSIONS: Design thinking coupled with multimodal simulation across all phases of construction enhanced the design and testing of new clinical infrastructure. Applying this approach early, thoroughly, and efficiently will help healthcare organizations plan changes to clinical spaces.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,028
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,012
Communication savante0,0070,005
Science ouverte0,0030,008
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0220,003

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.

Tête enseignante Opus0,121
Tête enseignante GPT0,420
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations51
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSimulation in Healthcare The Journal of the Society for Simulation in HealthcareMême sujetSimulation-Based Education in HealthcareTravaux en français237 207