Trauma Resuscitation Using in situ Simulation Team Training (TRUST) study: latent safety threat evaluation using framework analysis and video review
Notice bibliographique
Résumé
INTRODUCTION: Trauma resuscitation is a complex and time-sensitive endeavour with significant risk for error. These errors can manifest from sequential system, team and knowledge-based failures, defined as latent safety threats (LSTs). In situ simulation (ISS) provides a novel prospective approach to recreate clinical situations that may manifest LSTs. Using ISS coupled with a human factors-based video review and modified framework analysis, we sought to identify and quantify LSTs within trauma resuscitation scenarios. METHODS: At a level 1 trauma centre, we video recorded 12 monthly unannounced ISS to prospectively identify trauma-related LSTs. The on-call multidisciplinary trauma team participated in the study. Using a modified framework analysis, human factors experts transcribed and coded the videos. We identified LST events, categorised them into themes and subthemes and used a hazard matrix to prioritise subthemes requiring intervention. RESULTS: We identified 843 LST events during 12 simulations, categorised into seven themes and 38 subthemes, of which 23 are considered critical. The seven themes relate to physical workspace, mental model formation, equipment, unclear accountability, demands exceeding individuals' capacity, infection control and task-specific issues. The physical workspace theme accounted for the largest number of critical LST events (n=152). We observed differences in LST events across the four scenarios; complex scenarios had more LST events. CONCLUSIONS: We identified a diverse set of critical LSTs during trauma resuscitations using ISS coupled with video-based framework analysis. The hazard matrix scoring, in combination with detailed LST subthemes, supported identification of critical LSTs requiring intervention and enhanced efforts intended to improve patient safety. This approach may be useful to others who seek to understand the contributing factors to common LSTs and design interventions to mitigate them.
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 | 0,021 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».