MétaCan
Menu
Retour à la cohorte
Enregistrement W3153594383 · doi:10.5430/jnep.v11n8p23

Quality improvement for self-confidence, critical-thinking, and psychomotor skills in basic life support of nursing health professionals through case-scenario simulation training

2021· article· en· W3153594383 sur OpenAlexvenueno aff
Sarah J. Lee, W. Johnson, Teneka Liddell

Notice bibliographique

RevueJournal of Nursing Education and Practice · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDebriefingNursingPsychomotor learningCritical thinkingIntervention (counseling)SafeguardingHealth careMedicinePsychologyMedical educationPatient safetyMedical emergencyCognition

Résumé

récupéré en direct d'OpenAlex

Background: Recognition and timely management of medical emergencies in non-critical care units are essential in initiating and delivering high quality care. Simulation training is a constructive tool that can be utilized to refresh and maintain knowledge and skills for staff that may not encounter medical emergencies frequently. This study examined staff that work at the John D. Dingell VA Medical Center Community Living Center (CLC), a subacute and inpatient rehabilitation unit, on their critical thinking skills, knowledge, role responsibilities and confidence levels prior to and after implementation of a mixed intervention of a one-hour webinar didactic and one-hour case-based simulation with debriefing. The purpose of the study was to improve non-critical care staff critical thinking, knowledge and confidence when working with a deteriorating patient.Methods: A pretest-posttest study design was used to conduct the study. Pre and post surveys were given to 42 health professionals which included registered nurses (RN), licensed practical nurses (LPN) and nursing aides after participating in a case scenario using a high-fidelity mannequin to simulate a medical emergency. Analyses were performed using the two-tailed t-test with p-value significance of less than .05 using Excel and JMP by SAS.Results: Among the 42 participants, there was a significant improvement in confidence for recognizing signs of patient deterioration for timely activation of code team (p < .001). Critical thinking skills and knowledge on appropriate activation of the type of response team based on patients’ speed of deterioration also improved after the intervention (p < .001). Overall, the staff felt more comfortable, confident and knowledgeable concerning their roles and local policy of emergent situations.Conclusions: A team-based case scenario simulation course may improve non-critical care nursing staff confidence, knowledge and critical thinking as it pertains to activation of code teams and willingness to actively participate in medical emergencies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,217
Tête enseignante GPT0,580
Écart entre enseignants0,363 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Nursing Education and PracticeMême sujetSimulation-Based Education in HealthcareTravaux en français237 207