MétaCan
Menu
Retour à la cohorte
Enregistrement W4306292734 · doi:10.1007/s43678-022-00390-1

Identifying relevant topics and training methods for emergency department flow training

2022· review· en· W4306292734 sur OpenAlexafffundabout
Christina Young, Christopher Patey, Paul Norman, Teresa M. Chan, Oliver Hurley, Michelle Swab, Shabnam Asghari

Notice bibliographique

RevueCanadian Journal of Emergency Medicine · 2022
Typereview
Langueen
DomainePsychology
ThématiqueFlow Experience in Various Fields
Établissements canadiensMcMaster UniversityMemorial University of Newfoundland
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésEmergency departmentDelphi methodTeamworkModalitiesMedicineMedical educationTraining (meteorology)CurriculumSituation awarenessDelphiNursingPsychologyComputer scienceManagementArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Despite the importance of patient flow to emergency department (ED) management, there is a need to strengthen and expand training in flow strategies for practicing ED staff. To date, there has been limited academic inquiry into the skills and training that ED staff require to improve patient flow. As part of a quality improvement initiative, our team aimed to identify the topics and training methods that should be included in flow training for ED staff. METHODS: We conducted an integrative review and modified Delphi. For the integrative review, we sought to identify appropriate skills, training strategies, and training modalities to include in a curriculum for ED staff. The findings from the review were compiled and distributed to Canadian experts in ED efficiency through a modified Delphi, including physicians, nurses, and nurse practitioners. RESULTS: Our literature search retrieved 8359 articles, of which 46 were included in the review. We identified 19 skills, 9 training strategies, and 12 training modalities used to improve ED efficiency in the literature. For the modified Delphi, we received responses from 39 participants in round one and 28 in round two, with response rates of 57% and 41%, respectively. The topics chosen by the most respondents were: "flow decisions," "teamwork," "backlog and surge management," "leadership," and "situational awareness." CONCLUSION: Our findings suggest that flow training should teach ED staff how to make decisions that improve flow, work more effectively as a team, manage patient backlog and surge, improve leadership skills, and develop situational awareness. These findings add to a gap in the academic literature regarding the training ED staff require to improve patient flow.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,060
score de la tête « metaresearch » (Gemma)0,160
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,319

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0600,160
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0300,018
Études des sciences et des technologies0,0030,002
Communication savante0,0060,011
Science ouverte0,0020,004
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,445
Tête enseignante GPT0,527
Écart entre enseignants0,082 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Emergency MedicineMême sujetFlow Experience in Various FieldsTravaux en français237 207