MétaCan
Menu
Retour à la cohorte
Enregistrement W4200339787 · doi:10.1177/19375867211066933

Commissioning Clinical Spaces During a Pandemic: Merging Methodologies of Human Factors and Simulation

2021· article· en· W4200339787 sur OpenAlexaff
Tara Fuselli, Amanda Raven, Shaunna Milloy, Sue Barnes, Mirette Dubé, Alyshah Kaba

Notice bibliographique

RevueHERD Health Environments Research & Design Journal · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensUniversity of CalgaryAlberta Health Services
Organismes subventionnairesnon disponible
Mots-clésProject commissioningDebriefingHealth carePreparednessSpace (punctuation)Generalizability theoryPandemicProcess managementComputer scienceKnowledge managementMedicineCoronavirus disease 2019 (COVID-19)EngineeringPublishingPsychologyMedical educationInfectious disease (medical specialty)Disease

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: The objective of this case study is to demonstrate the value of applying tabletop and simulation techniques to highlight high-risk, high-impact outcomes and organizational recommendations in the commissioning of a new clinical spaces. PURPOSE/AIM: Generalizability of lessons learned from this case study aim to support other health organizations in commissioning of clinical spaces during communicable disease outbreaks. BACKGROUND: COVID-19 challenged our healthcare system, requiring teams to prepare in a short span of time. Bridging expertise of human factor and simulation teams provided a novel, interdisciplinary, and timely approach to evaluate and commission spaces. METHODS: Human factors and simulation teams were enlisted to conduct an evaluation of a new space prior to readiness for delivery of safe patient care. An adapted tabletop evaluation and subsequent systems integration simulation was conducted. The goal of the tabletop exercise was to identify and define processes and risks to tested in the physical space using simulation. RESULTS: Applying both human factors science and systems simulation proactively identified the highest risk, highest impact outcomes, validated existing processes and allowed for refining of potential solutions and recommendations of the new space. A strong working relationship between teams fostered an opportunity to share information, debrief, evaluate, and adapt methods while applying timely changes based on emergent findings. CONCLUSIONS: These combined methodologies are important tools that can be learned and applied to healthcare commissioning of new clinical spaces in the identification of high-risk, high-impact outcomes affecting staff and organizational preparedness and safety.

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)0,014
score de la tête « metaresearch » (Gemma)0,021
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: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,021
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,006
Communication savante0,0060,003
Science ouverte0,0020,007
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,665
Tête enseignante GPT0,625
Écart entre enseignants0,040 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHERD Health Environments Research & Design JournalMême sujetSimulation-Based Education in HealthcareTravaux en français237 207