A Delphi study to identify relevant scenarios as the first step toward an international hyperbaric medicine simulation curriculum
Notice bibliographique
Résumé
INTRODUCTION: Evidence across healthcare specialties suggests that simulation-based education improves practices and patient outcomes. However, simulation has yet to be widely used in hyperbaric medicine education. We aimed to identify the most relevant clinical scenarios for inclusion in a simulation-based curriculum for hyperbaric medicine. METHODS: After ethics approval, we used a modified Delphi consensus method. We assembled an initial questionnaire and distributed it online in English and French to an international group of hyperbaric physicians and operators using a snowball recruitment technique. Participants rated the list of scenarios using a 5-point scale ranging from 1 (least relevant) to 5 (most relevant). Scenarios judged by at least 80% of participants to be relevant (score 4 or 5) were automatically included. Scenarios that did not meet this threshold and new scenarios suggested by participants during the first round were included in a second round. RESULTS: Seventy-one participants from nine countries, including both physicians and non-physicians, completed the first round and 34 completed the second. Five scenarios were identified as relevant: seizure, fire, cardiac arrest, pneumothorax, and technical deficiency such as power loss while operating the chamber. CONCLUSIONS: Five scenarios relevant for inclusion in the simulation-based curriculum in hyperbaric medicine were identified by expert consensus.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,003 | 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 ».