MétaCan
Menu
Retour à la cohorte
Enregistrement W3042389206 · doi:10.1097/sih.0000000000000479

Utilizing Simulation to Identify Latent Safety Threats During Neonatal Magnetic Resonance Imaging Procedure

2020· article· en· W3042389206 sur OpenAlex
Jonathan Wong, Kaarthigeyan Kalaniti, Michael Castaldo, Hilary Whyte, Kyong‐Soon Lee, Manohar Schroff, Douglas M. Campbell

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSimulation in Healthcare The Journal of the Society for Simulation in Healthcare · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensUniversity of SaskatchewanHospital for Sick ChildrenUniversity of TorontoUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésDebriefingPatient safetyPreparednessMagnetic resonance imagingAnticipation (artificial intelligence)SedationMedicineMedical physicsComputer scienceMedical emergencyHealth careArtificial intelligenceRadiologySurgeryMedical education

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Transfer of infants for magnetic resonance imaging (MRI) from the neonatal intensive care unit (NICU) requires exposure to unfamiliar environments and involve multiple complex human and system interactions, which can compromise patient safety. In situ simulation (ISS) offers an opportunity to identify latent safety threats (LSTs) that may occur during this high-risk procedure. Our primary aim was to use ISS to identify modifiable LSTs during the MRI procedure: involving neonatal transport to/from NICU to the MRI and the MRI scan. Secondarily, we compared the overall performance and needs of specialized versus nonspecialized transport personnel. METHODS: In situ simulations of the MRI procedure (transport and scan) were performed for 9 months involving specialized and nonspecialized transport personnel. Two simulation scenarios were used, one involving an intubated infant and one nonintubated infant. After each simulation, participants underwent a standardized debriefing and answered questionnaires on safety threats and team function. The results were then used to identify and implement mitigation strategies. RESULTS: Among 10 simulations completed, 7 were by specialized and 3 by nonspecialized teams. In total, 116 LSTs were identified (22 involving medication, 12 equipment, and 82 resources/system issues). Preprocedure deliberation with anticipation/preparedness for patient deterioration, and the need for clinical checklists and protocols were identified as important requirements. After completion of the project, protocols (ie, sedation), checklists (ie, pretransport), and policies (ie, environmental orientation) were adapted to address the gaps. CONCLUSIONS: In situ simulations were able to identify important safety risks during transport of neonatal patients from the NICU to the MRI suite, informing changes in MRI transport policy.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,192
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,003
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,404
Écart entre enseignants0,344 · 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