Involvement of frontline clinicians in healthcare technology development: Lessons learned from a ventilator project
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
Co-development of healthcare technology with users helps produce user-friendly products, ensuring safe device usage and meeting patients' needs. For developers considering healthcare innovations, engaging user experience can reduce production time and cost while maximizing device application. The purpose of this paper is to report lessons learned from the development of a 3D printed origami ventilator prototype in response to the rise of ventilator demand due to the Coronavirus disease (COVID-19) pandemic. We conducted focus groups with frontline clinicians working in an Intensive Care Unit of a large urban hospital in Vancouver, British Columbia, Canada. In the interdisciplinary focus groups, we identified challenges, practical tips about product development, the human needs of technology, and cross-discipline peer learning. The focus group discussions provide useful insight into the technology development for complex clinical contexts. Based on our experiences, we articulate five practical tips for co-development of healthcare technology - AGILE: Analyse users' needs first, Gain insights into complex context, Involve users early and frequently, Lead with a prototype, and Educate and support. Through sharing the tips and lessons learned, we wish to emphasize the necessity of meaningful multi-disciplinary collaboration during healthcare technology development and promote the inclusion of frontline clinicians during these initiatives. Supplementary Information: The online version contains supplementary material available at 10.1007/s12553-022-00655-w.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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