Do departmental simulation and team training program reduce medical error and improve quality of patient care? A systemic review
Notice bibliographique
Résumé
Aim: Simulation-based learning programs have become increasingly popular over the past 20 years to improve healthcare professionals' knowledge, skills, and attitudes while protecting patients from unnecessary risks and errors. However, recommended practices for simulations in healthcare are still unknown; hence this systematic review aimed to assess whether human simulations or machine stimulations programs would help prevent medical errors and improve patient safety. Methods: We searched for all the publications in the Medline, Web of Science, and Google Scholar databases from January 2000 (when the idea of simulation in healthcare to prevent Medical Errors (ME) was employed for the first time by the Institute of Medicine) to Feb 2022 with only English language-based literature. The risk of bias from A randomized controlled trial (RCTs) was assessed through Cochrane's collaboration tool. The Newcastle-Ottawa Scale was used to evaluate the quality of the cohort studies. The main outcome of this review was the improvement in professional skills among healthcare professionals and reduction in medical errors by employing simulation-based training. Results: Overall, the participants who received simulation-based training for the management of different clinical conditions and for the performance of various diagnostic, therapeutic, and surgical procedures showed better learning than those who were given traditional education and training. Moreover, the studies showed that simulation-based training can improve self-efficacy, confidence, and perceptions among medical professionals. Different simulated adult and pediatric scenarios were created to assess the errors and delays during drug infusion-preparation and administration. The simulation was demonstrated to be an effective way of reducing medical errors. Conclusions: By incorporating simulation-based training into medical education curricula, the acquisition of knowledge and professional skills can be improved. Moreover, this can help improve patient outcomes and reduce medical errors. Based on our findings, we suggest that simulation can be best used as a complement to the other methods of healthcare professionals' teaching and training.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».