MétaCan
Menu
Retour à la cohorte
Enregistrement W3087865364 · doi:10.1002/aet2.10537

Effect of Repetitive Simulation Training on Emergency Medical Services Team Performance in Simulated Pediatric Medical Emergencies

2020· article· en· W3087865364 sur OpenAlexaff
Kathryn Kothari, Chelsea Zuger, Neil Desai, Jan Leonard, Michelle Alletag, Ashley Balakas, Mike Binney, Sean Caffrey, Jason Kotas, Patrick Mahar, Kelley Roswell, Kathleen Adelgais

Notice bibliographique

RevueAEM Education and Training · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensBC Children's Hospital
Organismes subventionnairesMaternal and Child Health BureauNational Center for Advancing Translational SciencesHealth Resources and Services AdministrationColorado Department of Public Health and EnvironmentNational Institutes of HealthGeorgia Clinical and Translational Science AllianceChildren's Hospital Colorado
Mots-clésMedicineEmergency medical servicesPsychological interventionEmergency medicineSedationPhysical therapyMedical emergencyAnesthesiaNursing

Résumé

récupéré en direct d'OpenAlex

Abstract Objective Emergency medical services (EMS) professionals infrequently transport children leading to difficulty in recognition and management of pediatric critical illness. Simulation provides an opportunity to train EMS professionals on pediatric emergencies. The objective of this study was to examine the effect of serial simulation training over 6 months on EMS psychomotor and cognitive performance during team‐based care. Methods This was a longitudinal prospective study of a simulation curriculum enrolling EMS professionals over a 6‐month period during which they performed three high‐fidelity simulations at 3‐month intervals. The simulation scenarios included a 15‐month‐old seizure (T0), 1‐month‐old with hypoglycemia (T1), and 4‐year‐old clonidine ingestion (T2). All scenarios were standardized and required recognition and management of respiratory failure and decompensated shock. Scenarios were videotaped and two investigators scored EMS team interventions during simulations using a standardized scoring tool. Inter‐rater reliability was assessed on 30% of videos using kappa analysis. Volumes of administered intravenous fluid (IVF) and medications were measured to assess for errors in administration. The primary outcome was the change in scenario score from T0 to T2. Results A total of 135 team‐based simulations were conducted over the study period (48, 40, and 47 at T0, T1, and T2, respectively). Inter‐rater reliability between reviewers was very good (κ = 0.7). Median simulation score improved from T0 to T2 (24 vs 31, p < 0.001, maximum score possible = 42). The proportion of completed tasks increased across multiple categories including improved recognition of respiratory decompensation (19% vs. 56%), management of the pediatric airway (44% vs. 88%), and timeliness of vascular access (10% vs. 38%). Correct IVF administration varied by scenario (25% vs. 52% vs. 30%, p = 0.02). Conclusion Serial simulation improved EMS team‐based care in both recognition and management of pediatric emergencies. A standardized pediatric simulation curriculum can be used to train EMS professionals on pediatric emergencies and improve performance.

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)0,003
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,039
Tête enseignante GPT0,380
Écart entre enseignants0,340 · 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'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

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

En bref

Citations16
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAEM Education and TrainingMême sujetSimulation-Based Education in HealthcareTravaux en français237 207