Implementing ultrasound‐guided nerve blocks in the emergency department: A low‐cost, low‐fidelity training approach
Notice bibliographique
Résumé
Abstract Background Managing acute pain is a common challenge in the emergency department (ED). Though widely used in perioperative settings, ED‐based ultrasound‐guided nerve blocks (UGNBs) have been slow to gain traction. Here, we develop a low‐cost, low‐fidelity, simulation‐based training curriculum in UGNBs for emergency physicians to improve procedural competence and confidence. Methods In this pre‐/postintervention study, ED physicians were enrolled to participate in a 2‐h, in‐person simulation training session composed of a didactic session followed by rotation through stations using handmade pork‐based UGNB models. Learner confidence with performing and supervising UGNBs as well as knowledge and procedural‐based competence were assessed pre‐ and posttraining via electronic survey quizzes. One‐way repeated‐measures ANOVAs and pairwise comparisons were conducted. The numbers of nerve blocks performed clinically in the department pre‐ and postintervention were compared. Results In total, 36 participants enrolled in training sessions, eight participants completed surveys at all three data collection time points. Of enrolled participants, 56% were trainees, 39% were faculty, 56% were female, and 53% self‐identified as White. Knowledge and competency scores increased immediately postintervention (mean ± SD t 0 score 66.9 ± 8.9 vs. t 1 score 90.4 ± 11.7; p < 0.001), and decreased 3 months postintervention but remained elevated above baseline (t 2 scores 77.2 ± 11.5, compared to t 0 ; p = 0.03). Self‐reported confidence in performing UGNBs increased posttraining (t 0 5.0 ± 2.3 compared to t 1 score 7.1 ± 1.5; p = 0.002) but decreased to baseline levels 3 months postintervention (t 2 = 6.0 ± 1.9, compared to t 0 ; p = 0.30). Conclusions A low‐cost, low‐fidelity simulation curriculum can improve ED provider procedural‐based competence and confidence in performing UGNBs in the short term, with a trend toward sustained improvement in knowledge and confidence. Curriculum adjustments to achieve sustained improvement in confidence performing and supervising UGNBs long term are key to increased ED‐based UGNB use.
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 | 0,000 |
| 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 ».