Improvement in Hematology Interprofessional Care: Simulation With an Emphasis on Collaboration
Notice bibliographique
Résumé
Introduction: For many training programs, including hematology, there are limited structured opportunities to practice collaboration as a competency. Training is often limited to ad hoc interactions during clinical rotations. Accordingly, there is further need for immersive and standardized collaboration educational programs. This pilot study explored simulation for developing and assessing collaboration competency among hematology residents. Methods: Two standardized simulation center scenarios were developed that required residents to work in interprofessional teams. The objectives were to develop collaboration competence and confidence through experiential learning and facilitated reflection. Team members included education and simulation experts as well as hematology nurses as embedded participants. Case 1 presented a 72-year-old male with stage 4 lymphoma experiencing shortness of breath during a rituximab infusion. Case 2 presented a 68-year-old male who suffered a provoked pulmonary embolism. Both cases utilized a simulated clinic space. Pre, post, and 3-month questionnaires (self-assessed collaboration competency and simulation evaluation) were completed. Each session included structured debriefing with facilitated reflection focused on collaboration. Results: Seven senior hematology subspecialty residents participated. Despite residents entering the simulation cases with confidence in collaboration, higher collaboration confidence ratings were observed on postsimulation questionnaires (8.2 vs. 7.6 on a 10-point Likert scale). Residents demonstrated awareness of appropriate collaboration skills, but at times failed to implement knowledge into action. Facilitated reflection during the debrief helped residents critique their collaboration performance and develop improvement plans. Discussion: Simulation is a promising tool for teaching and assessing collaboration within hematology training.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,002 | 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 ».