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 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 | 0,000 |
| 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 ».