MétaCan
Menu
Retour à la cohorte
Enregistrement W3113770040 · doi:10.3389/fped.2020.598475

Assessment of Healthcare Provider Workload in Neonatal Resuscitation

2020· article· en· W3113770040 sur OpenAlexafffundabout
Emily Zehnder, Brenda Hiu Yan Law, Georg M. Schmölzer

Notice bibliographique

RevueFrontiers in Pediatrics · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient Safety and Medication Errors
Établissements canadiensRoyal Alexandra HospitalUniversity of Alberta
Organismes subventionnairesUniversity of AlbertaChildren's Hospital FoundationStollery Children’s Hospital FoundationWomen and Children's Health Research InstituteChildren's Health Research InstituteHeart and Stroke Foundation of Canada
Mots-clésWorkloadNeonatal resuscitationMedicinePsychological interventionInterquartile rangeNeonatal intensive care unitHealth careIntensive careGestational ageEmergency medicineMedical emergencyResuscitationPediatricsNursingPregnancyIntensive care medicineSurgery

Résumé

récupéré en direct d'OpenAlex

Objective: Human errors or protocol deviations during neonatal resuscitation are common. Excess workload has been proposed as a contributor to human error during medical tasks. We aim to characterize healthcare providers' perceived workload during neonatal resuscitation. Design: Perceived workload was measured using a multi-dimensional retrospective National Aeronautics and Space Administration Task Load Index (NASA TLX) survey. The NASA TLX collects data on mental, physical, and temporal demand, performance, effort, and frustration. Each section is rated independently by participants on a scale of 0–20 (0 being lowest and 20 being highest). The Raw-TLX score is a composite score of all dimensions and presented on a scale of 0–100. Healthcare providers complete a paper and pencil survey after attending delivery room resuscitations within 3 months. Setting: Level three neonatal intensive care unit at the Royal Alexandra Hospital, Edmonton, AB, Canada. Participants: All neonatal healthcare providers who attended deliveries. Exposure: Participation in the delivery room care of newborns. Measurement: Raw TLX scores as a measure of overall workload and scores for each dimension of workload. Main Results: During the study period, ~880 neonatal resuscitation events occurred, and a total of 204 surveys were completed. Healthcare providers completed one survey for 179 deliveries, two surveys for 20 deliveries, and three surveys for 5 deliveries. The mean (standard deviation) gestational age was 35 (5) weeks, and the median (interquartile range) birth weight was 2,690 (1,830–3,440) g. Interventions at delivery were (i) stimulation 149 (73%), suction 130 (64%), continuous positive airway pressure 120 (59%), positive pressure ventilation 105 (52%), intubation 33 (16%), chest compression 10 (5%), and epinephrine 4 (2%). The overall median (interquartile range) Raw-TLX was 34 (18–49). The scores varied by dimension with mental demand 10 (5–14), physical demand 4 (1–6), temporal demand 8 (3–14), performance 4 (2–6), effort 8 (4–13), and frustration 4 (1–10). Raw-TLX scores were higher when healthcare providers performed any intervention compared to no intervention [35 (22–49) vs. 8 (6–18), p = 0.0011]; intubation and no intubation was [55 (46–62) vs. 30 (17–46), p = 0.0001], and between performing chest compression vs. no chest compression [55 (49–64) vs. 33 (18–47), p = 0.001]. Conclusion: Perceived workload of neonatal healthcare providers increases during higher acuity deliveries. Healthcare providers' workload during neonatal resuscitation can be measured using NASATLX and was inversely associated with 5-min Apgar score. Future studies assessing healthcare providers' perceived workload during neonatal resuscitation in different settings are warranted.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,394
Score d'incertitude au seuil0,388

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,050
Tête enseignante GPT0,397
Écart entre enseignants0,347 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations20
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueFrontiers in PediatricsMême sujetPatient Safety and Medication ErrorsTravaux en français237 207