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 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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».