Simulation-based education to improve management of refractory anaphylaxis in an allergy clinic
Notice bibliographique
Résumé
BACKGROUND: High-fidelity simulations based on real-life clinical scenarios have frequently been used to improve patient care, knowledge and teamwork in the acute care setting. Still, they are seldom included in the allergy-immunology curriculum or continuous medical education. Our main goal was to assess if critical care simulations in allergy improved performance in the clinical setting. METHODS: Advanced anaphylaxis scenarios were designed by a panel of emergency, intensive care unit, anesthesiology and allergy-immunology specialists and then adapted for the adult allergy clinic setting. This simulation activity included a first part in the high-fidelity simulation-training laboratory and a second at the adult allergy clinic involving actors and a high-fidelity mannequin. Participants filled out a questionnaire, and qualitative interviews were performed with staff after they had managed cases of refractory anaphylaxis. RESULTS: Four nurses, seven allergy-immunology fellows and six allergy/immunologists underwent the simulation. Questionnaires showed a perceived improvement in aspects of crisis and anaphylaxis management. The in-situ simulation revealed gaps in the process, which were subsequently resolved. Qualitative interviews with participants revealed a more rapid and orderly response and improved confidence in their abilities and that of their colleagues to manage anaphylaxis. CONCLUSION: High-fidelity simulations can improve the management of anaphylaxis in the allergy clinic and team confidence. This activity was instrumental in reducing staff reluctance to perform high-risk challenges in the ambulatory setting, thus lifting a critical barrier for implementing oral immunotherapy at our adult center.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».