Comparing Classroom Instruction to Individual Instruction as an Approach to Teach Avatar-Based Patient Monitoring With Visual Patient: Simulation Study
Notice bibliographique
Résumé
Background Visual Patient is an avatar-based alternative to standard patient monitor displays that significantly improves the perception of vital signs. Implementation of this technology in larger organizations would require it to be teachable by brief class instruction to large groups of professionals. Therefore, our study aimed to investigate the efficacy of such a large-scale introduction to Visual Patient. Objective In this study, we aimed to compare 2 different educational methods, one-on-one instruction and class instruction, for training anesthesia providers in avatar-based patient monitoring. Methods We presented 42 anesthesia providers with 30 minutes of class instruction on Visual Patient (class instruction group). We further selected a historical sample of 16 participants from a previous study who each received individual instruction (individual instruction group). After the instruction, the participants were shown monitors with either conventional displays or Visual Patient displays and were asked to interpret vital signs. In the class instruction group, the participants were shown scenarios for either 3 or 10 seconds, and the numbers of correct perceptions with each technology were compared. Then, the teaching efficacy of the class instruction was compared with that of the individual instruction in the historical sample by 2-way mixed analysis of variance and mixed regression. Results In the class instruction group, when participants were presented with the 3-second scenario, there was a statistically significant median increase in the number of perceived vital signs when the participants were shown the Visual Patient compared to when they were shown the conventional display (3 vital signs, P<.001; effect size –0.55). No significant difference was found for the 10-second scenarios. There was a statistically significant interaction between the teaching intervention and display technology in the number of perceived vital signs (P=.04; partial η2=.076). The mixed logistic regression model for correct vital sign perception yielded an odds ratio (OR) of 1.88 (95% CI 1.41-2.52; P<.001) for individual instruction compared to class instruction as well as an OR of 3.03 (95% CI 2.50-3.70; P<.001) for the Visual Patient compared to conventional monitoring. Conclusions Although individual instruction on Visual Patient is slightly more effective, class instruction is a viable teaching method; thus, large-scale introduction of health care providers to this novel technology is feasible.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,004 | 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 ».