MétaCan
Menu
Retour à la cohorte
Enregistrement W3092348165 · doi:10.3389/fmed.2020.582150

Medical Simulation: The Least Advertised and Most Versatile Weapon in Pandemic

2020· article· en· W3092348165 sur OpenAlexaff
Valentin Favier, Sam J. Daniel, Marc Braun, P. Gallet

Notice bibliographique

RevueFrontiers in Medicine · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPandemicAnesthesiologyCoronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakPain medicineSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Intensive careFront (military)MedicineIntensive care medicineEngineeringVirology

Résumé

récupéré en direct d'OpenAlex

"From America to Europe, world leaders declared war on coronavirus disease (COVID-19), an invisible, poorly understood enemy. Most countries and health-care providers were baffled by the rapid pace of the pandemic. The World Health Organization (WHO) declared the outbreak as a public health emergency of international concern on January 30th. Through simulation scenarios published the next day, it highlighted the need for being prepared and organized to march off into battle. Initial research focused on understanding the virus, testing drugs, and developing strategies. In this fight against the pandemic, a “new” medical weapon has emerged: medical simulation. Simulation is an agile, concrete, and mobile multi-tool (1), useful for learning in all domains (knowledge, skills, and behavior) (2). It may be used to safely train professionals in real-like conditions (3) at several levels. In times of crisis, simulation is an ideal medium to update and enhance competencies and adapt practices, particularly constantly evolving practices. At a team level, simulation helps to face complex clinical situations like cardiac arrest in an infected patient (4) or prone positioning for managing respiratory distress. The ability of simulation to promote teamwork is also decisive (5). At a department level, a simulation may optimize the patients and working flow within new constraints. At a personal level, simulation equips one with behaviors and skills for safely donning and doffing, as well as technical skills such as intubation with minimal aerosol exposure. Therefore, simulation in a COVID-19 context is akin to a “Swiss Army knife,” as it carries with it extreme utility and applies to several scenarios at hand. This weapon is loaded in simulation centers and its use adapted on sites (in situ). On the basis of the experience of two universities located in heavily affected areas (University of Lorraine, Nancy, France, and McGill University, Montréal, Canada), we describe here how this “Swiss Army knife” helped in adapting the answer to COVID-19 with two preferred complementary approaches: ex situ and in situ simulations, respectively."@eng

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)0,007
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,030
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,002
Communication savante0,0060,004
Science ouverte0,0010,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0180,003

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 Opus0,040
Tête enseignante GPT0,349
Écart entre enseignants0,308 · 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'étudeSans objet
Domainenon disponible
GenreCommentaire

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

En bref

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in MedicineMême sujetSimulation-Based Education in HealthcareTravaux en français237 207