Improving Nasopharyngeal Swab Technique via Simulation for Frontline Workers
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: Nasopharyngeal swabs currently remain the gold standard for COVID-19 sample collection. A surge in testing volume has resulted in a large number of health care workers who are unfamiliar with nasal anatomy performing this test, which can lead to improper collection practices culminating in false-negative results and complications. Therefore, we aimed to assess the accuracy and educational potential of a realistic 3D-printed nasal swab simulator to expedite health care workers' skill acquisition. STUDY DESIGN: Prospective pre-post interventional study. METHODS: A nasal swab task trainer (NSTT) was developed to scale from computed tomography data with a deviated septum. Frontline workers at COVID-19 testing sites in Ontario, Canada, were recruited to use the NSTT for nasopharyngeal swab training. Integrated video recording capability allowed participants to self-evaluate procedure accuracy. A five-point Likert scale was collected regarding the NSTT's educational value and procedural fidelity. RESULTS: Sixty-two frontline workers included in the study were primarily registered nurses (52%) or paramedics (16%). Following simulator use, self-assessed accuracy improved in 77% of all participants and 100% of participants who expressed low confidence before training. Ninety-four percent reported that the NSTT provided a complete educational experience, and 82% regarded the system as a more effective training approach than what is currently available. Eighty-one indicated that the simulator should be used at all COVID-19 testing sites, with 77% stating province-wide implementation was warranted. CONCLUSIONS: The nasal swab task trainer is an effective educational tool that appears well-suited for improved skill acquisition in COVID-19 testing and may be useful for training other nasal swab applications. LEVEL OF EVIDENCE: 3 Laryngoscope, 133:38-42, 2023.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».