The Use of In Situ Simulation to Enhance COVID-19 Pandemic Preparedness in Obstetrics
Notice bibliographique
Résumé
Simulation's benefits in medical education are well established. However, its use for pandemic preparedness in obstetrics is lacking. Management of obstetrical patients with suspected COVID-19 infection is a complex task with safety considerations for mother, fetus and healthcare workers. Implementation of new workflow algorithms to ensure safety is critical but is challenging to implement in real-time. We sought to improve pandemic preparedness by designing and deploying a high-fidelity simulation exercise involving the admission of a labouring obstetrical patient with suspected COVID-19 into a labour room, urgent transfer to the operating room and neonatal resuscitation. The creation of the simulation scenario was a multi-disciplinary effort with input from a focus group of key clinical stakeholders from within and outside of our centre to ensure clinical validity. Simulations were performed on the clinical unit during regular work hours so workflow could be observed in real-time with access to the equipment and personnel in which this clinical scenario would occur. We completed a total of 11 simulation sessions involving 42 participants. Feedback, obtained from debrief sessions and anonymous surveys, was categorized based on the human factors framework, and used as part of an iterative process to adapt, revise and improve the simulation scenario. The result of this iterative process was the creation of validated departmental infection control protocols that continue to be implemented through the second wave of the COVID-19 pandemic.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».