What Core Competency Training Skills Improve Mass Gathering Medical Staff Preparedness? An International Delphi Study for Expert Consensus
Notice bibliographique
Résumé
OBJECTIVES: Mass Gathering Medicine focuses on mitigating issues at Mass Gathering Events. Medical skills can vary substantially among staff, and the literature provides no specific guidance on staff training. This study highlights expert opinions on minimum training for medical staff to formalize preparation for a mass gathering. METHODS: This is a 3-round Delphi study. Experts were enlisted at Mass Gathering conferences, and researchers emailed participation requests through Stat59 software. Consent was obtained verbally and on Stat59 software. All responses were anonymous. Experts generated opinions. The second and third rounds used a 7-point linear ranking scale. Statements reached a consensus if the responses had a standard deviation (SD) of less than or equal to 1.0. RESULTS: Round 1 generated 137 open-ended statements. Seventy-three statements proceeded to round 2. 28.7% (21/73) found consensus. In round 3, 40.3% of the remaining statements reached consensus (21/52). Priority themes included venue-specific information, staff orientation to operations and capabilities, and community coordination. Mass casualty preparation and triage were also highlighted as a critical focus. CONCLUSIONS: This expert consensus framework emphasizes core training areas, including venue-specific operations, mass casualty response, triage, and life-saving skills. The heterogeneity of Mass Gatherings makes instituting universal standards challenging. The conclusions highlight recurrent themes of priority among multiple experts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,107 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».