Skin Tear Management: A Multidisciplinary Education Project
Notice bibliographique
Résumé
OBJECTIVE: To identify the number of skin tears present at the authors' facility and evaluate a multidisciplinary educational intervention to support treatment of skin tears. METHODS: The authors determined the prevalence of skin tears from an analysis of a wound audit dataset at Baycrest Health Sciences and compared it with the literature to inform the aims of the educational intervention. They developed an educational module and presented it to physicians and students at separate in-person sessions and to clinical care staff at a virtual session. Participants completed an evaluation survey after the education sessions to assess their knowledge and confidence with skin tear management and obtain their feedback about the session. RESULTS: The prevalence of skin tears at Baycrest hospital was 5.6%, which was low compared with the values reported in the literature. For the 10 studies reviewed, the median prevalence was 8.8% (range, 3.0%-22.1%). A total of 7 physicians, 12 students, and 7 clinical care staff completed the evaluation survey. All of the physicians (100%), 43% of students, and 57% of clinical care staff could classify an image of a skin tear; 86% of physicians, 33% of students, and 43% of clinical care staff identified the correct skin tear complications; and 71% of physicians, 0% of the students, and 29% of clinical care staff selected the appropriate dressing. Participants reported moderate to considerable increases in knowledge and confidence in skin tear management. CONCLUSIONS: This method of multidisciplinary teaching on skin tears was well received and useful in enhancing knowledge and confidence in identifying and treating skin tears.
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 | 0,000 | 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 | 0,001 |
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 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 ».