Cognitive Load in Pediatric Critical Care Medicine: Tsunamis and a Thousand Cuts
Notice bibliographique
Résumé
IMPORTANCE: Excessive cognitive load impairs task performance and contributes to burnout, but studies of cognitive load in pediatric critical care medicine (PCCM) settings are limited. OBJECTIVES: To better understand cognitive load in an academic PCCM setting and how cognitive load differs based on experience, role, task type, and task frequency. DESIGN, SETTINGS, AND PARTICIPANTS: Prospective two-part survey at a quaternary children's hospital PCCM department. Part 1 (February to March 2022) assessed routine role-specific tasks; part 2 (June to August 2022) evaluated acute resuscitation. Participants were registered nurses (RNs), respiratory therapists (RTs), and physicians + advanced practice providers (APPs). MAIN OUTCOMES AND MEASURES: Raw cognitive load (1-9 Paas scale), net cognitive load (Paas × task frequency), and NASA-Task Load Index (NASA-TLX) subdomain scores (0-100) for acute resuscitation. Role was the primary exposure; between-group differences were analyzed using analysis of variance with pairwise comparisons. RESULTS: There were 109-part 1 and 79-part 2 survey respondents. Across all tasks, mean raw Paas scores were highest for physicians + APPs (5.2 ± 1.1), followed by RNs (4.8 ± 1.0) and RTs (4.0 ± 1.4; p = 0.004). In the three highest-load shared tasks-acute resuscitation, rescuing a decompensating patient, and managing advanced life-support devices-RNs reported significantly higher raw load than physicians + APPs and RTs. For bedside patient assessment, RNs had higher net cognitive load (25.0 ± 8.7) than physicians + APPs (20.3 ± 7.0; p = 0.01) and RTs (18.9 ± 8.9; p = 0.01). Nursing experience correlated with overall net cognitive load (r = 0.30; p = 0.02). During resuscitation, RNs reported higher NASA-TLX scores than other providers in all but two subdomains. CONCLUSIONS AND RELEVANCE: Cognitive load in PCCM varies significantly by role and task type. Nurses experience high raw cognitive load from critical events and net cognitive load from bedside patient assessment, suggesting opportunities for role-specific workflow redesign and cognitive load reduction strategies to benefit staff and patients.
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 | 0,000 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».