Using Simulation to Improve Nurse Practitioner Education Regarding Opioid Prescribing and Medical Assistance in Dying: A Quality Improvement Project
Notice bibliographique
Résumé
Aim: A Quality Improvement Project, guided by the Service-Learning framework, was undertaken to determine if introducing simulation into graduate nurse practitioner (NP) education would improve students’ knowledge, self-reported competency, and confidence regarding opioid prescribing and participation in Medical Assistance in Dying (MAiD). Background: Canadian government regulations authorize NPs to prescribe opioids and participate in MAiD. Simulation-based learning provides an opportunity for NP students to improve knowledge and critical-thinking skills regarding MAiD protocols and opioid prescribing in a safe, non-judgmental environment. Methods: A four-hour simulation-based workshop on opioid prescribing and MAiD was provided to NP students in their final course before graduation. NP students rotated through three 60-minute simulation-based scenario stations; two opioid scenarios using standardized patients and a MAiD scenario with a high-fidelity manikin. Students were expected to apply knowledge obtained during their NP program to conduct a thorough assessment, determine diagnostic tests/tools, formulate diagnoses, and develop a collaborative treatment plan. Outcomes measures included completing a pre/post-simulation knowledge-based quiz, self-assessment on each scenario, and debriefing. Findings: Scores on the pre-simulation quiz score ranged from 3–9 (M = 6.19); post-simulation quiz scores ranged from 6-12 (M = 9.88). Paired-Samples T-Test indicated a statistically significant increase between pre and post-mean scores. In all scenarios, there was an increase in the percentage of NP students who self-reported themselves as “competent” between their pre/post-simulation assessments. Conclusions: This educational innovation created an engaging environment that facilitated learning. Given that opioid prescribing and MAiD are authorized acts for NPs, it is essential that graduates feel supported and prepared for these situations.
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 | 0,014 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».