Multiprofessional perspectives on the identification of latent safety threats via in situ simulation: a prospective cohort pilot study
Notice bibliographique
Résumé
Objectives: To describe the association between participant profession and the number and type of latent safety threats (LSTs) identified during in situ simulation (ISS). Secondary objectives were to describe the association between both (a) participants' years of experience and LST identification and (b) type of scenario and number of identified LSTs. Methods: Emergency staff physicians (MDs), registered nurses (RNs) and respiratory therapists (RTs) participated in ISS sessions in the emergency department (ED) of a tertiary care teaching hospital. Adult and paediatric scenarios were designed to be high-acuity, low-occurrence resuscitation cases. Simulations were 10 min in duration. A written survey was administered to participants immediately postsimulation, collecting demographic data and perceived LSTs. Survey data was collated and LSTs were grouped using a previously described framework. Results: Thirteen simulation sessions were completed from July to November 2018, with 59 participants (12 MDs, 41 RNs, 6 RTs). Twenty-four unique LSTs were identified from survey data. RNs identified a median of 2 (IQR 1, 2.5) LSTs, significantly more than RTs (0.5 (IQR 0, 1.25), p=0.04). Within respective professions, MDs and RTs most commonly identified equipment issues, and RNs most commonly identified medication issues. Participants with ≤10 years of experience identified a median of 2 (IQR 1, 3) LSTs versus 1 (IQR 1, 2) LST in those with >10 years of experience (p=0.06). Adult and paediatric patient scenarios were associated with the identification of a median of 4 (IQR 3.0, 4.0) and 5 LSTs (IQR 3.5, 6.5), respectively (p=0.15). Conclusions: Inclusion of a multidisciplinary team is important during ISS in order to gain a breadth of perspectives for the identification of LSTs. In our study, participants with ≤10 years of experience and simulations with paediatric scenarios were associated with a higher number of identified LSTs; however, the difference was not statistically significant.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».