MétaCan
Menu
Retour à la cohorte
Enregistrement W4416409762 · doi:10.2196/75104

Performance and Perceptions of Health Care Professionals Using an Immersive Virtual Reality Tool for Home Care Training: Observational Feasibility and Acceptability Study

2025· article· en· W4416409762 sur OpenAlexvenueno aff
José Joaquín Mira, Joana Rios, Eva Gil-Hernández, Nida Abed, Vanessa Ribeiro Neves, Clara Pérez-Esteve, Mercedes Guilabert, Almudena Arroyo Rodríguez, Pura Ballester

Notice bibliographique

RevueJMIR Serious Games · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésObservational studyPsychological interventionVirtual realityHealth carePerceptionCompetence (human resources)Task (project management)

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Informal caregivers play a crucial role in home care and many lack formal training, potentially compromising patient safety. Immersive virtual reality (VR) offers an innovative approach to training by simulating real-life caregiving scenarios in a risk-free environment. Prior to implementation, the environments and the technique's feasibility and acceptability must be assessed by the professionals who will use it to train caregivers, establishing a performance benchmark based on experienced health care professionals. OBJECTIVE: This study aims to test feasibility and develop exploratory benchmarks and acceptability of immersive VR training for home caregiving tasks, using experienced professionals to establish a reference standard for execution quality. METHODS: This observational study was conducted in health care centers in Andalusia, the Valencian Community, and Madrid (Spain). A structured process was followed, including the identification of key home care tasks, the development of best practice guidelines, creation of immersive VR training materials, and the design of a performance evaluation rubric. Health care professionals (n=75) were recruited using a convenience sampling approach. They performed caregiving tasks in VR, and their performance was recorded and assessed using a standardized rubric, which included 205 predefined errors. Participants also completed a posttraining survey evaluating usability, comprehension, and perceived applicability to real-world caregiving. RESULTS: A total of 75 professionals participated, completing 257 caregiving simulations in a fully immersive VR environment. A total of 417 errors were identified (417/3142, 13.3% of the maximum number of predefined errors), with a mean average of 5.6 (SD 6.8) errors per participant. The most frequent errors occurred in medication management, insulin administration, diaper changing, broncho aspiration prevention, blood pressure monitoring, and hand hygiene. The perceived usefulness of VR training was rated 8.1 out of 10 points (SD 1.9), with 98.7% (74/75) of the participants stating that the time spent in the simulation was worthwhile and 85.3% (64/75) agreeing that the tasks were appropriately represented. CONCLUSIONS: Immersive VR training for informal caregivers is a feasible and well-accepted approach, demonstrating high perceived usefulness among health care professionals. The study establishes a preliminary benchmark for home caregiving task execution, providing a basis for future research evaluating informal caregivers' performance and targeted training interventions to enhance patient safety. Further studies are needed to explore the long-term impact of VR training on caregiver competence and home care quality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,131
Tête enseignante GPT0,469
Écart entre enseignants0,337 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetSimulation-Based Education in HealthcareTravaux en français237 207