Simulation-Based Learning: Is it Time for a Paradigm Shift in Training Postgraduates for Crisis Resource Management? Prospective Interventional Study
Notice bibliographique
Résumé
A BSTRACT Background: Crisis resource management (CRM) skills are nontechnical skills that are often neglected during the training of residents in the management of clinical emergencies. This study was conducted to assess the utility of high-fidelity simulation to enhance the learning of CRM among internal medicine postgraduates (PGs). Materials and Methods: After obtaining IEC approval, a total of ten (five 1 st year and five 3 rd year) internal medicine PG students were included by convenience sampling. Each student participated in four simulated emergencies in the simulation laboratory of a tertiary care hospital, one before and three after CRM training. They participated in groups of 3–5 at intervals of 15–30 days. All the scenarios were video graphed and viewed by the investigators and each student was assessed in each session for CRM using Ottawa global rating score (GRS). The outcome variable was an overall score (OS-ordinal from 1to 7). After the last session, a questionnaire was administered to assess the perceptions of the participants about the course. After 1 year, the participants self-assessed their CRM in a real emergency using GRS and also identified barriers for the application of CRM in real life. The statistical tests used were paired t -test, Student’s t -test, and repeated measures ANOVA. Results: The mean OS at baseline was 3.9 ± 1.5 and after training, it improved to 4.6 ± 1.26 ( P = 0.024). In the three posttraining sessions, the OS did not decline and this indicated good retention of CRM ( P = 0.056). PGs had a consistently favorable opinion of this course. The self-assessed OS in a real emergency was 5.7 ± 0.82. The barriers to CRM application in real emergencies were lack of practice and lack of team training. Conclusions: High fidelity simulation is an effective and acceptable method of teaching CRM to internal medicine PGs and should be incorporated into the PG curriculum.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».