Exploring human factors in the operating room: scoping review of training offerings for healthcare professionals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Human factors (HF) integration can improve patient safety in the operating room (OR), but the depth of current knowledge remains unknown. This study aimed to explore the content of HF training for the operative environment. METHODS: We searched six bibliographic databases for studies describing HF interventions for the OR. Skills taught were classified using the Chartered Institute of Ergonomics and Human Factors (CIEHF) framework, consisting of 67 knowledge areas belonging to five categories: psychology; people and systems; methods and tools; anatomy and physiology; and work environment. RESULTS: Of 1851 results, 28 studies were included, representing 27 unique interventions. HF training was mostly delivered to interdisciplinary groups (n = 19; 70 per cent) of surgeons (n = 16; 59 per cent), nurses (n = 15; 56 per cent), and postgraduate surgical trainees (n = 11; 41 per cent). Interactive methods (multimedia, simulation) were used for teaching in all studies. Of the CIEHF knowledge areas, all 27 interventions taught 'behaviours and attitudes' (psychology) and 'team work' (people and systems). Other skills included 'communication' (n = 25; 93 per cent), 'situation awareness' (n = 23; 85 per cent), and 'leadership' (n = 20; 74 per cent). Anatomy and physiology were taught by one intervention, while none taught knowledge areas under work environment. CONCLUSION: Expanding HF education requires a broader inclusion of the entirety of sociotechnical factors such as contributions of the work environment, technology, and broader organizational culture on OR safety to a wider range of stakeholders.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle