Implementing Automated Prone Ventilation for Acute Respiratory Distress Syndrome via Simulation-Based Training
Notice bibliographique
Résumé
BACKGROUND: Prone position ventilation (PPV) is recommended for patients with severe acute respiratory distress syndrome, but it remains underused. Interprofessional simulation-based training for PPV has not been described. OBJECTIVES: To evaluate the impact of a novel interprofessional simulation-based training program on providers' perception of and comfort with PPV and the program's ability to help identify unrecognized safety issues ("latent safety threats") before implementation. METHODS: A prospective observational quality improvement study was done in the medical intensive care unit of an academic medical center. Registered nurses, physicians, and respiratory therapists were trained via a didactic session, simulations, and structured debriefings during which latent safety threats were identified. Participants completed anonymous surveys before and after training. RESULTS: A total of 73 providers (37 nurses, 18 physicians, 18 respiratory therapists) underwent training and completed surveys. Before training, only 39% of nurses agreed that PPV would be beneficial to patients with severe acute respiratory distress syndrome, compared with 96% of physicians and 70% of respiratory therapists (P < .001). Less than half of both nurses and physicians felt comfortable taking care of prone patients. After training, perceived benefit increased among all providers. Comfort taking care of proned patients and managing cardiac arrest increased significantly among nurses and physicians. Twenty novel latent safety threats were identified. CONCLUSION: Interprofessional simulation-based training may improve providers' perception of and comfort with PPV and can help identify latent safety threats before implementation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».