Virtual reality training programs in disaster preparedness: a systematic review
Notice bibliographique
Résumé
The demand for effective disaster preparedness training in hospitals is steadily increasing, as healthcare staff need to handle emergencies efficiently while providing patient care. However, conventional training methods like live drills and tabletop exercises can require significant resources, limit participation, and disrupt hospital operations. In light of these challenges, Virtual Reality (VR) training has emerged as a modern solution, offering an innovative way to improve training efficiency without interfering with routine hospital activities. This study, therefore, examines how VR training compares to traditional methods in preparing hospital personnel for disasters, focusing specifically on effectiveness and cost. We reviewed studies concerning the effectiveness and economic assessments of VR compared to traditional methods. To answer the research questions, we followed the Canada Drug Agency’s guides on conducting a health technology assessment. Articles were identified from both peer-reviewed and gray literature. The review highlights eight pertinent studies demonstrating VR’s advantages, including boosting knowledge retention, performance, and overall confidence among healthcare professionals in disaster preparedness. Furthermore, the economic analysis indicates that although the initial costs of VR synchronous training may be higher, the long-term savings from reduced ongoing training and maintenance can lead to greater cost efficiency. In addition, while VR training presents safety benefits, challenges such as cybersickness and accessibility concerns have also been observed. VR training offers considerable advantages over traditional disaster preparedness methods and significantly improves healthcare workers’ confidence and skills. Despite the high upfront costs, the potential long-term financial benefits appear promising. To maximize results, funding for VR initiatives must emphasize demonstrated effectiveness alongside ongoing research to explore broader applications and address the challenges posed by these emerging technologies.
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 | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».