Resuscitation simulation among people who are likely to witness opioid overdose: Experiences from the SOONER Trial
Notice bibliographique
Résumé
The opioid crisis is a growing public health emergency and increasing resources are being directed towards overdose education. Simulation has emerged as a novel strategy for training overdose response, yet little is known about training non-clinicians in bystander resuscitation. Understanding the perspectives of individuals who are likely to experience or witness opioid overdose is critical to ensure that emergency response is effective. The Surviving Opioid Overdose with Naloxone Education and Resuscitation (SOONER) study evaluates the effectiveness of a novel naloxone education and distribution tool among people who are non-clinicians and likely to witness opioid overdose. Participants' resuscitation skills are evaluated using a realistic overdose simulation as the primary outcome of the trial. The purpose of our study is to describe the experience of participants with the simulation process in the SOONER study. We employed a semi-structured debriefing interview and a follow up qualitative interview to understand the experience of participants with simulation. A qualitative content analysis was performed using data from 21 participants who participated in the SOONER study. Our qualitative analysis identified 5 themes and 17 subthemes which described the experience of participants within the simulation process. These themes included realism, valuing practical experience, improving self-efficacy, gaining new perspective and bidirectional learning. Our analysis found that simulation was a positive and empowering experience for participants in the SOONER trial, most of whom are marginalized in society. Our study supports the notion that expanding simulation-based education to non-clinicians may offer an acceptable and effective way of supplementing current opioid overdose education strategies. Increasing the accessibility of simulation-based education may represent a paradigm shift whereby simulation is transformed from a primarily academic practice into a patient-based community resource.
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 | 0,011 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».