Haiti Acute and Emergency Care Conference: descriptive analysis of an acute care continuing medical education program
Notice bibliographique
Résumé
# Background Several disasters over the past decade have highlighted the need for strong acute-care systems in Haiti. As part of a multifaceted approach to improving national acute-care training, the Research and Education consortium for Acute Care in Haiti (REACH) launched the inaugural Haiti Acute and Emergency Care Conference (HAECC). # Methods REACH is a Haitian-led, multinational collaboration based out of Saint Lûc Hospital in Port-au-Prince. The first HAECC was held in April, 2017. Pre- and post-course evaluation consisted of subjective and objective components. Differences between pre- and post-responses were determined using McNemar's test of paired proportions. # Results 57 participants from 21 hospitals in five Haitian departments were included. The majority (37/58, 63.8%) were physicians. Most (33/57, 57.9%) had no prior training in acute or emergency care, but 8/57 (14.0%) had taken ATLS/ACLS, 11/57 (19.3%) had taken a formal course not internationally recognized, and only 1/57 (1.8%) had completed acute care specialty training. 43.7% (25/57) reported routine access to point-of-care ultrasound. Following course completion, participants felt significantly more comfortable managing basic emergency conditions (up to 25/57, 43.9% increase, *P*\<0.01) and using ultrasound (up to 30/57, 52.6% increase, *P*\<0.01), but improvements on objective testing were not significant (ranging from -2 (-3.5%, *P*=1.00) to +5 (8.7%, *P*=0.15) change). # Conclusions While continued quality review is necessary for future iterations of the conference, the inaugural HAECC provided a useful "first pass" for current front-line providers in Haiti.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».