Mass online training of health care workers during COVID-19: approach, impact, and outcomes for over 10,000 health care providers
Notice bibliographique
Résumé
OBJECTIVES: COVID-19 revealed major shortfalls in healthcare workers (HCWs) trained in acute and critical care worldwide, especially in low-resource settings. We aimed to assess mass online courses' efficacy in preparing HCWs to manage COVID-19 patients and to determine whether rapidly deployed e-learning can enhance their knowledge and confidence during a pandemic. STUDY DESIGN: Retrospective cohort study. METHODS: This international retrospective cohort study, led by a large Academic Medical Centre (AMC), was conducted via YouTube and the AMC's online learning platform. From 2020 to 2021, multidisciplinary experts developed and deployed six online training courses based on the latest evidence-based management guidelines. Participants were selected through a voluntary sample following an electronic campaign. Training outcomes were assessed using pre-and post-test questionnaires, evaluation forms, and post-training assessment surveys. Kirkpatrick's Model guided training evaluation to measure self-reported knowledge, clinical skills, and confidence improvement. We also captured the number and type of COVID-19 patients managed by HCWs after the trainings. RESULTS: Every 22.8 reach/impression and every 1.2 engagements led to a course registration. The 10,425 registrants (56.8% female, 43.1% male) represented 584 medical facilities across 154 cities. The largest segments of participants were students/interns (20.6%) and medical officers (13.4%). Of the 2169 registered participants in courses with tests, 66.9% completed post-tests. Test scores from all courses increased from the initial baseline to subsequent improvement post-course. Participants completing post-training assessment surveys reported that the online courses improved their knowledge and clinical skills (83.5%) and confidence (89.4%). Respondents managed over 19,720 COVID-19 patients after attending the courses, with 47.7% patients being moderately/severely ill. CONCLUSIONS: Participants' confidence in handling COVID-19 patients is increased by rapidly deploying mass training to a substantial target population through digital tools. The findings present a virtual education and assessment model that can be leveraged for future global public health issues, and estimates for future electronic campaigns to target.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».