Digital Simulation Improves, Maintains, and Helps Transfer Health-Care Providers' Neonatal Resuscitation Knowledge
Notice bibliographique
Résumé
Purpose:To safely care for their newborn patients, health-care professionals (HCP) must undergo frequent training to improve and maintain neonatal resuscitation knowledge and skills. However, the current approach to neonatal resuscitation simulation training is time and resource-intensive, and often inaccessible. Digital neonatal resuscitation simulation may present a convenient alternative for more frequent training. Method:Fifty neonatal HCPs participated in the study (44 female; 27 nurses, 3 nurse practitioners, 14 respiratory therapists, 6 doctors). This study was conducted at a tertiary perinatal center in Edmonton, Canada from April–August 2019, with 2-month (June–October 2019) and 5-month (September 2019–January 2020) follow-up. Neonatal HCPs were recruited by volunteer sampling to complete a demographic survey, pre-test (baseline knowledge), two digital simulation scenarios (intervention), and post-test (knowledge acquisition). Two months later, participants repeated the post-test (knowledge retention). Five months after the initial intervention, participants completed a post-test using a table-top simulation (knowledge transfer). Longitudinal analyses were used to compare participants' performance over time. Results:Overall the proportion of correct performance increased: 21/50 (42%) passed the pre-test, 39/50 (78%) the post-test, 30/43 (70%) the 2-month post-test, and 32/40 (80%) the 5-month post-test. GLMM and GEE analyses revealed that performance on all post-tests was significantly better than the performance on the pre-test. Therefore, training with the RETAIN digital simulation effectively improves, maintains, and transfers HCPs' neonatal resuscitation knowledge. Conclusions:Digital simulation improved, maintained, and helped transfer HCPs' neonatal resuscitation knowledge over time. Digital simulation presents a promising approach for frequent neonatal resuscitation training, particularly for distance-learning applications.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».