Simulation-Based Neonatal Resuscitation Team Training: A Systematic Review
Notice bibliographique
Résumé
CONTEXT: Several neonatal simulation-training programs have been deployed during the last decade, and in a growing number of studies, researchers have investigated the effects of simulation-based team training. This body of evidence remains to be compiled. OBJECTIVE: We performed a systematic review of the effects of simulation-based team training on clinical performance and patient outcome. DATA SOURCES: Medline, Embase, Cumulative Index to Nursing and Allied Health Literature, and the Cochrane Library. STUDY SELECTION: Two authors included studies of team training in critical neonatal situations with reported outcomes on clinical performance and patient outcome. DATA EXTRACTION: Two authors extracted data using a predefined template and assessed risk of bias using the Cochrane risk-of-bias tool 2.0 and the Newcastle-Ottawa quality assessment scale. RESULTS: We screened 1434 titles and abstracts, evaluated 173 full texts for eligibility, and included 24 studies. We identified only 2 studies with neonatal mortality outcomes, and no conclusion could be reached regarding the effects of simulation training in developed countries. Considering clinical performance, randomized studies revealed improved team performance in simulated re-evaluations 3 to 6 months after the intervention. LIMITATIONS: Meta-analysis was impossible because of heterogenous interventions and outcomes. Kirkpatrick's model for evaluating training programs provided the framework for a narrative synthesis. Most included studies had significant methodologic limitations. CONCLUSIONS: Simulation-based team training in neonatal resuscitation improves team performance and technical performance in simulation-based evaluations 3 to 6 months later. The current evidence was insufficient to conclude on neonatal mortality after simulation-based team training because no studies were available from developed countries. In future work, researchers should include patient outcomes or clinical proxies of treatment quality whenever possible.
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 | 0,009 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».