A pilot initiative to enhance quality improvement teaching with simulation
Notice bibliographique
Résumé
BACKGROUND: Quality Improvement and Patient Safety (QIPS) is a recognised competency across residency programmes. Although a variety of teaching modalities exist, many do not represent the multifaceted clinical environment that trainees work in. Residents have reported challenges in linking QIPS classroom-based learning with their clinical duties. High-fidelity simulation has been used to bridge this gap within clinical skills teaching and therefore has potential to address this issue in QIPS learning. APPROACH: We developed and piloted four high-fidelity simulation scenarios with 15 surgical residents (Orthopaedics, General Surgery, Gynaecology and Neurosurgery). Each scenario contained elements of both latent and active safety errors. Residents were provided with a short pre-reading from an open-access resource on basic QIPS methodology and underwent a debriefing by a trained QIPS faculty. Residents were then tasked to apply their learning to their scenario to develop a QIPS-focused solution. EVALUATION: Objective knowledge acquisition was assessed with the Quality Improvement Knowledge Assessment Tool-Revised (QIKAT-R) in conjunction with a survey based upon the Kirkpatrick Model of Learning. Overall, residents agreed that the simulation was helpful in learning QIPS methodology and agreed that they could perform fundamental QIPS tasks. The average QIKAT-R score demonstrated a trend towards improvement. IMPLICATIONS: High-fidelity simulation is a potential means to provide residents with hands-on experience in QIPS knowledge acquisition and application. Future directions should aim to compare the efficacy of simulation with other teaching modalities and evaluate the long-term impact of QIPS teaching on resident behaviours and motivation to take part in QIPS initiatives.
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 | 0,003 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».