An Interactive E-learning Platform-Based Training to Improve Intensive Care Professionals' Knowledge Regarding Central Venous Catheter-Related Infections
Notice bibliographique
Résumé
Introduction The presence of a central venous catheter (CVC) leads to a high risk for blood infections, which are associated with increases in morbidity, mortality, and costs. This study aims to assess intensive care unit (ICU) nurses' and physicians' knowledge regarding the Centers for Disease Control and Prevention (CDC) guidelines for preventing CVC-related infections before and after an interactive distance education delivered through the e-learning platform Teleprometheus. Materials and methods The study was conducted among 85 nurses and physicians in Nicosia's General Hospital Intensive Care Unit (NGH-ICU) and high dependency unit (HDU). A validated questionnaire was used to assess nurses' and physicians' knowledge. Results Prior to the online interactive distance education, the mean total knowledge score was x̄ = 4.8 (SD = 2.46), while after, the mean total knowledge score increased to x̄ = 8.9 (SD = 2.38) (p<0.001). ICU physicians had a higher mean total knowledge score (x̄ = 10.20) than ICU nurses (x̄ = 8.75) after the intervention. There was no correlation between years of experience in the ICU and the level of knowledge (r = 0.048). The interactive distance education was positively evaluated by the participants, through a questionnaire, specially designed for this study. Discussion The most important findings were that (a) the level of knowledge of the participants improved with a statistically significant difference after the completion of the e-course, (b) the level of knowledge of the participants, after the completion of the e-course, was much higher from other studies, (c) there was no correlation between the years of experience of ICU health professionals and their level of knowledge, and (d) the interactive distance e-course was positively evaluated and satisfied the participants. Conclusion The current study demonstrates that in high-intensity work environments, such as ICUs, adopting e-learning approaches seems more necessary than ever.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».