RCT comparing the clinical effectiveness of conventional instructor-facilitated cardiac compression training to technology enhanced training using high-fidelity mannequins-A pilot study
Notice bibliographique
Résumé
Introduction: Healthcare professionals often provide substandard chest compression following cardiac arrest. This is deemed a preventable harm because this skill can be acquired. The recent development of technology-enhanced cardiac compression training devices provides an alternative to traditional instructor-facilitated training. This pilot study compared the effectiveness of conventional and technology-enhanced training modalities.Methods: A pilot randomised controlled trial design was used in a regional hospital in Queensland. Following baseline assessment, healthcare staff were randomised to one of three groups: traditional instructor-facilitated training; high-fidelity mannequin training and continuous access to the training system to practise skills; and, high-fidelity mannequin training with no further access to the training system to practise skills. The primary outcome, cardiac compression skill levels, was analysed using analysis of co-variance, adjusting for predictive co-variates. Secondary measures were analysed using inferential statistics or presented descriptively.Results: Between January and February 2017, 502 healthcare staff were recruited. At baseline, 21\% were competent in cardiac compression, increasing to 38% on reassessment. The mode of training did not affect skill level (F(92,392) = 0.061, p = .94), however, participants in the high-fidelity mannequin training group who practised their skills had statistically significantly higher reassessment scores (z = -2.34, p = .019). Baseline score and the number of times participants practised their skills were significant predictors of reassessment scores (F(2,392) = 7.73, p = .001).Conclusions: Most hospital staff who may need to perform cardiac compression were not competent in this skill. Neither training modality was more effective. Both training and practise increased cardiac compression skill levels, indicating that frequent, low-dose training is required.
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 | 0,012 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».