Simulation training for medical emergencies: Evaluation of dentists’ <scp>long‐term</scp> learning skills and confidence
Notice bibliographique
Résumé
INTRODUCTION: As the population ages and more patients experience medical emergencies during dental treatments, dentists must competently and confidently manage these situations. We developed a simulation training course for medical emergencies in the dental setting using an inexpensive vital sign simulation app for smartphones/tablets without the need for an expensive simulator. However, the duration for which this effect is maintained is unclear. This study was performed to evaluate the long-term educational effect at 3, 6, and 12 months after taking the course. MATERIALS AND METHODS: Thirty-nine dental residents participated in this course. Scenarios included vasovagal syncope, anaphylaxis, hyperventilation syndrome, and acute coronary syndrome, each of which the participants had to diagnose and treat. The participants were evaluated using a checklist for anaphylaxis diagnosis and treatment skills immediately after and 3, 6, and 12 months after the course. The participants were also surveyed about their confidence in diagnosing and treating these conditions by questionnaire before, immediately after, and 3, 6, and 12 months after the course. RESULTS: The checklist scores for anaphylaxis were significantly lower at 3, 6, and 12 months after the course than immediately after the course. The percentage of participants who provided a correct diagnosis and appropriate treatment for vasovagal syncope, hyperventilation syndrome, and acute coronary syndrome was lower at all reassessments than immediately after the course. CONCLUSION: Because medical emergency management skills and confidence declined within 3 months, it would be useful to introduce a refresher course approximately 3 months after the initial course to maintain skills and confidence.
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 | 0,004 | 0,005 |
| 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 | 0,000 |
| 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 ».