The impact of a smartphone‐based cognitive aid on clinical performance during cardiac arrest simulations: A randomized controlled trial
Notice bibliographique
Résumé
Objectives: In-hospital cardiac arrests are common and associated with high mortality. Smartphone applications offer quick access to algorithms and timers but often lack real-time guidance. This study assesses the impact of the Code Blue Leader application on the performance of providers leading cardiac arrest simulations. Methods: This open-label randomized controlled trial included Advanced Cardiac Life Support (ACLS)-trained medical doctors (MD) and registered nurses (RN). Participants were randomized to lead the same ACLS simulation with or without the app. The primary outcome, "performance score," was assessed by a trained rater using a validated ACLS scoring system. Secondary outcomes included percentage of critical actions performed, number of incorrect actions, and chest compression fraction (percentage of time spent performing chest compressions). A sample size of 30 participants was calculated to detect a difference of 20% at the 0.05 alpha level with 90% power. Results: = 0.0002). The percentage of critical actions performed in the app group was 100% (96.2%-100.0%) compared to 85.0% (74.1%-92.4%) in the control group. The number of incorrect actions performed in the app group was 1 (1) compared to 4 (3-5) in the control group. Chest compression fraction in the app group was 75.5% (73.0%-84.0%) compared to 75.0% (72.0%-85.0%) in the control group. Conclusions: The Code Blue Leader smartphone app significantly improved the performance of ACLS-trained providers in cardiac arrest simulations.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».