Training of Pediatric Critical Care Providers in Developing Countries in Evidence Based Medicine Utilizing Remote Simulation Sessions
Notice bibliographique
Résumé
Background. Remote simulation training provides a unique opportunity to captivate providers despite language, distance, and cultural barriers. Previously we developed a novel electronic decision support and rounding tool, the Checklist for Early Recognition and Treatment of Acute Illness in Pediatrics (CERTAINp). This study was conducted to determine the feasibility and impact of remote simulation training of international PICU providers using CERTAINp. Methods. We conducted train-the-trainer sessions in 7 hospitals based in 5 countries (China, Congo, Croatia, India, and Turkey) between 11/2015 and 11/2016. Providers first took part in a base line simulation session to assess their clinical performance. They had structured hands-on training using CERTAINp, which was done remotely using video conference with recording capabilities. Performance in PICU “admission” and “rounding” scenarios was assessed by their adherence to standard of care guidelines using CERTAINp. After this training, the providers were re-evaluated for performance using a validated instrument by 2 independent trained reviewers. Results. A total of 7 hospitals completed both baseline and post simulation sessions. We observed improved critical task (total 14) completion in the admission scenarios where pre training task completion was 8.2 ± 2.6, while after remote training was 11.2 ± 1.8, P = .01. In rounding scenarios, compliance to standard of care guidelines improved overall from 45% to 95% ( P < .01). Conclusion. We observed an improvement in compliance for measures determined as best practice guidelines in simulation rounding and overall improvement in critical tasks for simulated admission cases after remote training.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».