Eye-Tracking for Examining Nurses’ Attention During Cardiac Arrest Simulations: A Feasibility and Acceptability Study
Notice bibliographique
Résumé
<p>Introduction: Eye-tracking offers a distinctive opportunity to assess nurses’ clinical decision-making in simulation. Although its feasibility has been established in various scenarios, most studies have focused on a single participant, typically a physician in a leadership role. The application of eye-tracking in the challenging context of in-hospital cardiac arrest (IHCA) simulations, where nurses juggle diverse roles and undertake physical tasks such as chest compressions, has yet to be explored.</p><p>Objectives: This study aimed to assess the feasibility and acceptability of eye-tracking with nurses’ during IHCA simulations. Additionally, the study aimed to describe eye-tracking metrics based on different resuscitation roles and to explore the relationship between eye-tracking metrics to pinpoint the most informative metrics for the design of future studies.</p><p>Methods: In this single-group observational study, 56 newly hired nurses wore eye-tracking glasses during IHCA simulations. The primary feasibility criterion was the proportion of usable eye-tracking data. Secondary criteria included recruitment rate, calibration time, and glasses acceptability. The relationship among eye-tracking metrics was investigated through correlation analyses.</p><p>Results: Calibration of the devices was rapid, and 85.7% of the data was usable. The glasses were comfortable, non-distracting, and did not impede nurses’ vision or performance. Data were mapped for five areas of interest: the patient’s head and chest, cardiac monitor, teammates, and resuscitation cart. Eye-tracking metrics exhibited variations based on resuscitation roles. Fixation count, fixation duration, and time to first fixation appeared to be the most informative metrics in IHCA simulation.</p><p>Discussion and conclusion: These findings demonstrate the feasibility and acceptability of analyzing nurses’ eye-tracking data during IHCA simulations using a role-based approach. Future research should explore correlations with additional attention measures to enhance our understanding of nurse decision-making during cardiac arrest and improve educational strategies and outcomes.</p>
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».