Simulation based research for digital health pathologies: a multi-site mixed-methods study
Notice bibliographique
Résumé
Abstract Background The advance of digital health technologies has created new forms of potential pathology which are not captured in current clinical guidelines. Through simulation-based research we have identified the challenges to clinical care that emerge when patients suffer from illnesses stemming from failures in digital health technologies. Methods Clinical simulation sessions were designed based on patient case reports relating to (i) medical device hardware errors (ii) medical device software errors, (iii) complications of consumer technology, and (iv) technology-facilitated abuse. Clinicians were recruited to participate in simulations at three UK hospitals; audiovisual suites were used to facilitate group observation of simulation experience and focused debrief discussions. Invigilators scored clinicians on performance, clinicians provided individual qualitative and quantitative feedback, and extensive notes were taken throughout. Findings Paired t-tests of pre and post-simulation feedback demonstrated significant improvements in clinician’s diagnostic awareness, technical knowledge, and confidence in clinical management following simulation exposure (p<0.01). Barriers to care included: (i) low suspicion of digital agents, (ii) attribution to psychopathology, (iii) lack of education in technical mechanisms and (iv) little utility of available tests. Suggested interventions for improving future practice included: (i) education initiatives, (ii) technical support platforms, (iii) digitally-oriented assessments in hospital workflows, (iv) cross-disciplinary staff and (v) protocols for digital cases. Conclusion We provide an effective framework for simulation training focused on digital health pathologies and uncover barriers that impede effective care for patients dependent on technology. Our recommendations are relevant to educators, practising clinicians, and professionals working in regulation, policy and industry.
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 | 0,049 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».