MétaCan
Menu
Retour à la cohorte
Enregistrement W4388704320 · doi:10.47134/phms.v2i1.74

Pengaruh Pendidikan Kesehatan Triase START terhadap Penanganan Pra Rumah Sakit Korban Label Kuning pada Anggota BPBD Kabupaten Bondowoso

2023· article· id· W4388704320 sur OpenAlexaff
Deva Urrizal Ramadhan, Mohammad Ali Hamid, Cipto Susilo

Notice bibliographique

RevueHealth & Medical Sciences · 2023
Typearticle
Langueid
DomaineMedicine
ThématiquePublic Health and Nutrition
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineGynecologyHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

Pendahuluan: Pra rumah sakit merupakan perawatan medis darurat yang di berikan kepada korban sebelum datang ke rumah sakit, salah satunya pada korban pasca bencana dimana penanggulangan ini bertujuan untuk mencegah kehilangan jiwa dan mengurangi penderitaan pasien. Pendidikan kesehatan Triase START merupakan salah satu upaya dalam peningkatan kemampuan penanganan pra rumah sakit. Metode: Penelitian ini menggunakan jenis metode preexperiment dengan pendekatan pre test post test group desain yaitu terkait sebelum diberikan edukasi dan pelatihan serta sesudah diberikan edukasi dan pelatihan. Hasil Penelitian: Hasil penelitian menunjukkan bahwa kemampuan penanganan pra rumah sakit korban label kuning sebelum diberikan pendidikan kesehatan triase START yaitu berada dalam kategori cukup dengan persentase 56,0 %, sedangkan kemampuan penanganan pra rumah sakit korban label kuning setelah diberikan pendidikan kesehatan triase START yaitu didalam kategori baik dengan persentase 53,0 %. Didapatkan pula hasil uji Wilcoxon terlihat nilai significant yakni sebesar 0,000. Sehingga nilai p adalah 0,000 < 0,05, maka ditetapakan bahwa bahwa H1 diterima yakni terdapat pengaruh pendidikan kesehatan triase START terhadap kemampuan pra rumah sakit korban label kuning pada anggota BPBD Kabupaten Bondowoso. Diskusi: Pen-didikan kesehatan Triase START diharapkan mampu meningkatkan kemampuan penanganan anggota BPBD dalam memilih korban saat bencana secara tepat dalam penanganan yang merupakan tindakan pra rumah sakit.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0130,002

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.

Tête enseignante Opus0,138
Tête enseignante GPT0,410
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth & Medical SciencesMême sujetPublic Health and NutritionTravaux en français237 207