Harjoittajilla on oltava tehokkaat kliiniset päättelytaidot asianmukaisten, turvallisten kliinisten päätösten tekemiseksi ja harjoitteluvirheiden välttämiseksi. Huonosti kehittynyt kliiniset päättelytaidot voivat vaarantaa potilasturvallisuuden ja viivästyttää hoitoa tai hoitoa, etenkin tehohoito- ja hätäosastoissa. Simulaatiopohjainen koulutus käyttää heijastavia oppimiskeskusteluja simulaation jälkeen selvitysmenetelmänä kliinisten päättelytaitojen kehittämiseksi samalla kun ylläpitää potilasturvallisuutta. Kuitenkin kliinisen päättelyn moniulotteisen luonteen, kognitiivisen ylikuormituksen mahdollisen riskin ja analyyttisen (hypoteettisen deduktiivisen) ja ei-analyyttisen (intuitiivisen) kliinisen päättelyprosessin vuoksi edistyneiden ja nuorten simulaation osallistujien on tärkeää Tarkastellaan kokemusta, kykyjä, tiedon kulku- ja määrän ja tapausten monimutkaisuutta kliinisen päättelyn optimoimiseksi osallistumalla ryhmän heijastaviin oppimiskeskusteluihin simulaation jälkeen selvitysmenetelmänä. Tavoitteenamme on kuvata simulaation jälkeisen heijastavan oppimisen vuoropuhelun mallin kehitys, jossa otetaan huomioon useita tekijöitä, jotka vaikuttavat kliinisen päättelyn optimoinnin saavuttamiseen.
Yhteistyöryhmä (n = 18), joka koostuu lääkäreistä, sairaanhoitajista, tutkijoista, opettajista ja potilaan edustajista, teki yhteistyötä peräkkäisten työpajojen kautta simulaation jälkeisen heijastavan oppimiskeskuksen vuoropuhelumallin kehittämiseksi simulaation selvittämiseksi. Yhteistyöryhmä kehitti mallin teoreettisen ja käsitteellisen prosessin ja monivaiheisen vertaisarvioinnin avulla. Plus/miinus -arviointitutkimuksen ja Bloomin taksonomian rinnakkaisen integroinnin uskotaan optimoivan simulaation osallistujien kliinisen päättelyn osallistumisen aikana simulaatiotoimintaan. Sisällön pätevyysindeksin (CVI) ja sisällön pätevyyssuhteen (CVR) menetelmiä käytettiin mallin kasvojen pätevyyden ja sisällön pätevyyden määrittämiseen.
Simulaation jälkeinen heijastava oppimisen vuoropuhelamalli kehitettiin ja testattiin. Mallia tukevat toimitetut esimerkit ja komentosarjojen ohjeet. Mallin kasvot ja sisällön pätevyys arvioitiin ja vahvistettiin.
Uusi yhteissuunnittelumalli luotiin ottaen huomioon eri mallinnuksen osallistujien taidot ja kyvyt, tiedon virtaus ja määrä sekä mallinnustapausten monimutkaisuus. Näiden tekijöiden ajatellaan optimoivan kliiniset päättelyt osallistuessaan ryhmäsimulaatiotoimintaan.
Kliinistä päättelyä pidetään terveydenhuollon kliinisen käytännön perustana [1, 2] ja tärkeä osa kliinistä pätevyyttä [1, 3, 4]. Se on heijastava prosessi, jota lääkärit käyttävät tunnistamaan ja toteuttamaan sopivin interventio jokaiselle heidän kohtaamiselle kliiniselle tilanteelle [5, 6]. Kliinistä päättelyä kuvataan monimutkaisena kognitiivisena prosessina, joka käyttää muodollisia ja epävirallisia ajattelustrategioita kerätäkseen ja analysoidakseen potilasta koskevia tietoja, arvioida kyseisen tiedon merkitystä ja määrittää vaihtoehtoisten toimintatapojen arvo [7, 8]. Se riippuu kyvystä kerätä johtolankoja, käsitellä tietoja ja ymmärtää potilaan ongelmaa oikean potilaan oikean toiminnan toteuttamiseksi oikeaan aikaan ja oikeasta syystä [9, 10].
Kaikki terveydenhuollon tarjoajat kohtaavat tarpeen tehdä monimutkaisia päätöksiä korkean epävarmuuden olosuhteissa [11]. Kriittisessä hoidossa ja hätätapahtumassa syntyy kliinisiä tilanteita ja hätätilanteita, joissa välitön reagointi ja interventio ovat kriittisiä ihmishenkien pelastamiselle ja potilaan turvallisuuden varmistamiseksi [12]. Huonot kliiniset päättelytaidot ja kriittisen hoidon pätevyys liittyvät korkeampiin kliinisiin virheisiin, hoidon tai hoidon viivästyksiin [13] ja potilaan turvallisuuteen liittyviin riskiin [14,15,16]. Käytännön virheiden välttämiseksi lääkäreiden on oltava päteviä ja heillä on tehokkaita kliinisiä päättelytaitoja turvallisten ja asianmukaisten päätösten tekemiseksi [16, 17, 18]. Ei-analyyttinen (intuitiivinen) päättelyprosessi on ammatillisten ammattilaisten suosima nopea prosessi. Sitä vastoin analyyttiset (hypoteettiset deduktiiviset) päättelyprosessit ovat luonnostaan hitaampia, tarkoituksellisempia ja useammin vähemmän kokeneet lääkärit [2, 19, 20]. Kun otetaan huomioon terveydenhuollon kliinisen ympäristön monimutkaisuus ja käytännöllisten virheiden mahdollinen riski [14,15,16], simulaatiopohjaista koulutusta (SBE) käytetään usein tarjoamaan ammattilaisille mahdollisuuksia kehittää osaamista ja kliinisiä päättelytaitoja. Turvallinen ympäristö ja altistuminen monille haastaville tapauksille säilyttäen samalla potilasturvallisuuden [21, 22, 23, 24].
Terveyssimulaatioyhdistys (SSH) määrittelee simulaation ”tekniikaksi, joka luo tilanteen tai ympäristön, jossa ihmiset kokevat tosielämän tapahtumien esityksiä harjoittelua, koulutusta, arviointia, testaamista tai ymmärtämistä ihmisten järjestelmistä tai käyttäytyminen. " . SBE parantaa kliinisiä kenttäkokemuksia ja paljastaa opiskelijat kliinisiin kokemuksiin, joita he eivät ehkä ole kokeneet potilaan hoidon todellisista olosuhteista [24, 29]. Tämä on uhkaava, syyllinen, valvottu, turvallinen, matalan riskin oppimisympäristö. Se edistää tiedon, kliinisten taitojen, kykyjen, kriittisen ajattelun ja kliinisen päättelyn kehittämistä [22,29,30,31] ja voi auttaa terveydenhuollon ammattilaisia voittamaan tilanteen emotionaalisen stressin, parantaen siten oppimiskykyä [22, 27, 28] . , 30, 32].
Kliinisten päättely- ja päätöksentekon tehokkaan kehityksen tukemiseksi SBE: n kautta on kiinnitettävä huomiota simulaation jälkeisen selvitysprosessin suunnitteluun, malliin ja rakenteeseen [24, 33, 34, 35]. Simulaation jälkeisiä heijastavia oppimiskeskusteluja (RLC) käytettiin selvitystekniikkana osallistujien heijastamiseen, toimintojen selittämiseen ja vertaistuen ja ryhmäryhmän voiman hyödyntämiseen ryhmätyön yhteydessä [32, 33, 36]. Ryhmän RLCS: n käytöllä on potentiaalinen riski alikehittyneiden kliinisten päättelyjen suhteen, etenkin osallistujien vaihtelevien kykyjen ja ikätason suhteen. Kaksoisprosessimalli kuvaa kliinisen päättelyn moniulotteisen luonteen ja vanhempien ammattilaisten taipumuksen erot käyttämään analyyttisiä (hypoteettisia deduktiivisia) perusteluprosesseja ja nuorempia lääkäreitä käyttämään ei-analyyttisiä (intuitiivisia) perusteluprosesseja [34, 37]. ].]. Näihin kaksoisarviointiprosesseihin sisältyy haaste mukauttaa optimaaliset päättelyprosessit eri tilanteisiin, ja on epäselvää ja kiistanalaista, kuinka analyyttisiä ja ei-analyyttisiä menetelmiä käytetään tehokkaasti, kun samassa mallinnusryhmässä on vanhempia ja nuorempia osallistujia. Lukio- ja keskiasteen opiskelijat vaihtelevista kyvyistä ja kokemustasoista osallistuvat vaihtelevan monimutkaisuuden simulaatioskenaarioihin [34, 37]. Kliinisen päättelyn moniulotteinen luonne liittyy potentiaaliseen kliinisen päättelyn ja kognitiivisen ylikuormituksen riskiin, etenkin kun ammattilaiset osallistuvat ryhmään SBE: iin, joilla on vaihteleva tapaus monimutkaisuus ja ikätasot [38]. On tärkeätä huomata, että vaikka RLC: tä käyttävät määräämismalleja on olemassa, mikään näistä malleista ei ole suunniteltu erityisesti keskittyen kliinisten päättelytaitojen kehittämiseen, ottaen huomioon kokemuksen, pätevyyden, virtauksen ja tiedon määrän, ja Monimutkaisuustekijöiden mallintaminen [38]. ].]. , 39]. Kaikki tämä vaatii rakenteellisen mallin kehittämistä, joka harkitsee erilaisia panoksia ja vaikuttavia tekijöitä kliinisen päättelyn optimoimiseksi, samalla kun simulaation jälkeinen RLC sisällyttää raportointimenetelmän. Kuvailemme teoreettisesti ja käsitteellisesti ohjatun prosessin simulaation jälkeisen RLC: n yhteistyöhön ja kehittämiseen. Kliinisten päättelytaitojen optimoimiseksi SBE: hen osallistumisen aikana kehitettiin malli ottaen huomioon laaja valikoima helpottavia ja vaikuttavia tekijöitä optimoidun kliinisen päättelyn kehittämisen saavuttamiseksi.
RLC: n simulaation jälkeinen malli kehitettiin yhteistyössä olemassa olevien mallien ja kliinisen päättelyn, heijastavan oppimisen, koulutuksen ja simulaation teorioiden perusteella. Mallin kehittämiseksi muodostettiin mallin yhteistyöryhmä (n = 18), joka koostui 10 tehohoitohoitajasta, yhdestä intensivististä ja kolmesta aiemmin sairaalahoidossa olevien potilaiden edustajista, joilla on erilainen taso, kokemus ja sukupuoli. Yksi tehohoitoyksikkö, 2 tutkimusavustajaa ja 2 vanhempaa sairaanhoitajaa. Tämä yhteistyöinnovaatio on suunniteltu ja kehitetty vertaisyhteistyöllä sidosryhmien välillä, joilla on reaalimaailman kokemus terveydenhuollosta, joko terveydenhuollon ammattilaisista, jotka osallistuvat ehdotetun mallin kehittämiseen tai muiden sidosryhmien, kuten potilaan, kehittämiseen [40,41,42]. Potilaan edustajien sisällyttäminen yhteistyöprosessissa voi lisätä lisäarvoa prosessille, koska ohjelman perimmäinen tavoitteena on parantaa potilaan hoitoa ja turvallisuutta [43].
Työryhmä suoritti kuusi 2-4 tunnin työpajaa mallin rakenteen, prosessien ja sisällön kehittämiseksi. Työpaja sisältää keskustelun, käytännön ja simulaation. Mallin elementit perustuvat moniin näyttöön perustuviin resursseihin, malleihin, teorioihin ja puitteisiin. Näitä ovat: konstruktivistisen oppimisteorian [44], Dual Loop -konsepti [37], kliininen päättelysilmukka [10], arvostava kysely (AI) [45] ja raportointi plus/delta -menetelmä [46]. Malli kehitettiin yhteistyössä kansainvälisen sairaanhoitajayhdistyksen INACSL-käskyprosessistandardien perusteella kliinisen ja simulaatiokoulutuksen suhteen [36], ja se yhdistettiin toimitetuihin esimerkkeihin itsestään selventävän mallin luomiseksi. Malli kehitettiin neljässä vaiheessa: valmistelu heijastavaan oppimislehden vuoropuheluun simulaation jälkeen, heijastavan oppimisen vuoropuhelun aloittamisen, analysoinnin/pohdinnan ja selvityksen aloittamisen (kuva 1). Kunkin vaiheen yksityiskohdat käsitellään alla.
Mallin valmisteluvaihe on suunniteltu psykologisesti valmistamaan osallistujia seuraavaan vaiheeseen ja lisäämään heidän aktiivista osallistumistaan ja investointejaan samalla kun varmistavat psykologisen turvallisuuden [36, 47]. Tämä vaihe sisältää johdannon tarkoitukseen ja tavoitteisiin; RLC: n odotettu kesto; avustajien ja osallistujien odotukset RLC: n aikana; Sivuston suunta ja simulaatioasetukset; Luottamuksellisuuden varmistaminen oppimisympäristössä ja psykologisen turvallisuuden lisäämisen ja parantamisen lisääminen. Seuraavat edustavat vasteet CO-suunnittelutyöryhmästä otettiin huomioon RLC-mallin edeltävässä kehitysvaiheessa. Osallistuja 7: ”Perusterveydenhuollon sairaanhoitajana, jos osallistuisin simulaatioon ilman skenaariota ja vanhemmat aikuiset olisivat läsnä, välttäisin todennäköisesti osallistumista simulaation jälkeiseen keskusteluun, ellei tuntenut, että psykologinen turvallisuuteni oli kunnioitettu. ja että vältän osallistumista keskusteluihin simulaation jälkeen. "Ole suojattu eikä seurauksia ole." Osallistuja 4: ”Uskon, että keskittyminen ja perussääntöjen laatiminen varhaisessa vaiheessa auttavat oppijoita simulaation jälkeen. Aktiivinen osallistuminen heijastaviin oppimiskeskusteluihin. ”
RLC -mallin alkuvaiheet sisältävät osallistujan tunteiden tutkiminen, taustalla olevien prosessien kuvaaminen ja skenaarion diagnosointi ja osallistujan positiivisten ja negatiivisten kokemusten luettelo, mutta ei analyysi. Tässä vaiheessa luodaan malli ehdokkaiden rohkaisemiseksi itse- ja tehtäväkeskeiseen, samoin kuin henkisesti valmistautumaan syvälliseen analyysiin ja perusteelliseen pohdintaan [24, 36]. Tavoitteena on vähentää kognitiivisen ylikuormituksen potentiaalista riskiä [48], etenkin niille, jotka ovat uusia mallinnusaiheessa ja joilla ei ole aikaisempaa kliinistä kokemusta taitosta/aiheesta [49]. Pyydä osallistujia kuvaamaan lyhyesti simuloitua tapausta ja antamaan diagnostiset suositukset auttamaan avustajaa varmistamaan, että ryhmän opiskelijoilla on tapauksen perus- ja yleinen käsitys ennen siirtymistä laajennettuun analyysi-/pohdintavaiheeseen. Lisäksi osallistujat tässä vaiheessa jakamaan tunteensa simuloiduissa skenaarioissa auttaa heitä voittamaan tilanteen emotionaalisen stressin, mikä parantaa oppimista [24, 36]. Emotionaalisten kysymysten käsitteleminen auttaa myös RLC: n avustajaa ymmärtämään, kuinka osallistujien tunteet vaikuttavat yksilöiden ja ryhmän suorituskykyyn, ja tästä voidaan keskustella kriittisesti heijastus-/analysointivaiheessa. Plus/Delta -menetelmä on rakennettu mallin tähän vaiheeseen valmisteltavana ja ratkaisevana vaiheessa heijastus-/analyysivaiheeseen [46]. Plus/Delta -lähestymistapaa käyttämällä sekä osallistujat että opiskelijat voivat käsitellä/luetella havaintonsa, tunteensa ja kokemuksensa simulaatiosta, josta voidaan sitten keskustella pisteestä mallin heijastus-/analysointivaiheen aikana [46]. Tämä auttaa osallistujia saavuttamaan metakognitiivisen tilan kohdennetuilla ja priorisoiduilla oppimismahdollisuuksilla kliinisen päättelyn optimoimiseksi [24, 48, 49]. Seuraavat edustavat vastaukset yhteistyöryhmästä otettiin huomioon RLC-mallin alkuperäisen kehityksen aikana. Osallistuja 2: ”Uskon, että potilaana, joka on aiemmin hyväksytty ICU: lle, meidän on harkittava simuloitujen opiskelijoiden tunteita ja tunteita. Nostan tätä asiaa, koska pääsyn aikana havaitsin korkeaa stressiä ja ahdistusta, etenkin kriittisen hoidon ammattilaisten keskuudessa. ja hätätilanteet. Tämän mallin on otettava huomioon stressi ja tunteet, jotka liittyvät kokemuksen simulointiin. ” Osallistuja 16: ”Minulle opettajana on mielestäni erittäin tärkeää käyttää plus/delta -lähestymistapaa siten, että opiskelijoita rohkaistaan aktiivisesti osallistumaan mainitsemalla simulaatioskenaarion aikana kohtaamansa hyvät asiat ja tarpeet. Parannusalueet. ”
Vaikka mallin aiemmat vaiheet ovat kriittisiä, analyysi/heijastusvaihe on tärkein kliinisen päättelyn optimoinnin saavuttamiseksi. Se on suunniteltu tarjoamaan edistyksellinen analyysi/synteesi ja syvällinen analyysi, joka perustuu mallinnetun aiheen kliiniseen kokemukseen, osaamiseen ja vaikutuksiin; RLC -prosessi ja rakenne; annetun tiedon määrä kognitiivisen ylikuormituksen välttämiseksi; heijastavien kysymysten tehokas käyttö. Menetelmät oppilaskeskeisen ja aktiivisen oppimisen saavuttamiseksi. Tässä vaiheessa kliininen kokemus ja simulaatioaiheiden perehtyminen on jaettu kolmeen osaan erilaisten kokemusten ja kykyjen saavuttamiseksi: Ensinnäkin: Ei aikaisempaa kliinistä ammatillista kokemusta/EI Edeltä ei mitään. Aikaisempi altistuminen aiheille. Kolmas: Kliininen ammatillinen kokemus, tiedot ja taidot. Ammattimainen/aikaisempi altistuminen aiheiden mallintamiselle. Luokittelu tehdään ihmisten tarpeiden tyydyttämiseksi, joilla on erilaisia kokemuksia ja kykytasoja samassa ryhmässä, mikä tasapainottaa vähemmän kokeneiden ammattilaisten taipumusta käyttää analyyttistä päättelyä kokeneempien ammattilaisten taipumuksella käyttää ei-analyyttisiä päättelytaitoja [19, 19, 19, 19, 19, 20, 34]. , 37]. RLC -prosessi rakennettiin kliinisen päättelyjakson [10], heijastavan mallinnuskehyksen [47] ja kokemuksellisen oppimisteorian [50] ympärille. Tämä saavutetaan useiden prosessien avulla: tulkinta, erilaistuminen, viestintä, päätelmä ja synteesi.
Kognitiivisen ylikuormituksen välttämiseksi oppijoiden keskittymää ja heijastavaa puhumisprosessia, jolla on riittävästi aikaa ja mahdollisuuksia heijastaa, analysoida ja syntetisoitua itseluottamuksen saavuttamiseksi. Kognitiivisia prosesseja RLC: n aikana käsitellään yhdistämis-, vahvistus-, muotoilu- ja konsolidointiprosesseilla, jotka perustuvat kaksisilmukkaisiin kehyksiin [37] ja kognitiiviseen kuormitusteoriaan [48]. Jäsennelty vuoropuheluprosessi ja riittävästi aikaa heijastukseen, ottaen huomioon sekä kokeneet että kokemattomat osallistujat, vähentävät kognitiivisen kuormituksen mahdollisia riskiä, etenkin monimutkaisissa simulaatioissa, joilla on erilaisia aikaisempia kokemuksia, altistumisia ja osallistujien kykytasoja. Kohtauksen jälkeen. Mallin heijastava kyselytekniikka perustuu Bloomin taksonomiseen malliin [51] ja arvostavaan tutkimukseen (AI) menetelmiin [45], joissa mallinnettu avustaja lähestyy aihetta vaiheittaisella, sokraattisella ja heijastavalla tavalla. Esitä kysymyksiä, aloita tietoon perustuvista kysymyksistä. ja päättelyyn liittyvien taitojen ja kysymyksen käsitteleminen. Tämä kyselytekniikka parantaa kliinisen päättelyn optimointia kannustamalla aktiivista osallistujien osallistumista ja progressiivista ajattelua, jolla on vähemmän kognitiivisen ylikuormituksen riski. Seuraavat edustavat vasteet CO-suunnittelutyöryhmästä otettiin huomioon RLC-mallin kehityksen analysointi-/pohdintavaiheessa. Osallistuja 13: ”Kognitiivisen ylikuormituksen välttämiseksi meidän on harkittava tiedon määrää ja kulkua harjoittaessasi simulaation jälkeisiä oppimiskeskusteluja, ja tämän tekemiseksi on mielestäni kriittistä antaa opiskelijoille tarpeeksi aikaa pohtia ja aloittaa perusteet . Tieto. aloittaa keskustelut ja taidot, siirtyy sitten korkeampaan tietoon ja taitoihin metatunnistuksen saavuttamiseksi. " Osallistuja 9: "Uskon vahvasti, että kyselymenetelmät arvostavat tutkimuksen (AI) tekniikat ja heijastavat kyselyn Bloomin taksonomiamallilla edistävät aktiivista oppimista ja oppijakeskeisyyttä vähentäen samalla kognitiivisen ylikuormituksen riskiä." Mallin selvitysvaiheen tavoitteena on tiivistää RLC: n aikana esitetyt oppimispisteet ja varmistaa, että oppimistavoitteet toteutetaan. Osallistuja 8: "On erittäin tärkeää, että sekä oppija että avustaja ovat yhtä mieltä tärkeimmistä keskeisistä ideoista ja keskeisistä näkökohdista, jotka on otettava huomioon siirtyessään käytännössä."
Eettinen hyväksyntä saatiin protokollan numeroilla (MRC-01-22-117) ja (HSK/PGR/UH/04728). Malli testattiin kolmessa ammatillisen tehohoidon simulointikurssissa mallin käytettävyyden ja käytännöllisyyden arvioimiseksi. Mallin kasvojen pätevyys arvioitiin yhteistyöryhmällä (n = 18) ja koulutusasiantuntijoilla, jotka toimivat koulutusjohtajana (n = 6) ulkonäön, kieliopin ja prosessiin liittyvien kysymysten korjaamiseksi. Kasvojen voimassaolon jälkeen sisällön pätevyyden määräävät vanhemmat sairaanhoitajat (n = 6), jotka amerikkalaiset sairaanhoitajien valtuutuskeskus (ANCC) oli sertifioinut ja toimivat koulutuksen suunnittelijoina ja (n = 6), joilla oli yli 10 vuoden koulutus ja koulutus ja koulutus opetuskokemus. Työkokemus arvioinnin suoritti koulutusjohtajat (n = 6). Mallinnuskokemus. Sisällön pätevyys määritettiin käyttämällä sisällön pätevyyssuhdetta (CVR) ja sisällön kelpoisuusindeksiä (CVI). Lawshe -menetelmää [52] käytettiin CVI: n arviointiin, ja CVR: n arviointiin käytettiin Waltzin ja Bausellin [53] menetelmää. CVR -projektit ovat välttämättömiä, hyödyllisiä, mutta eivät välttämättömiä tai valinnaisia. CVI pisteytetään neljän pisteen asteikolla, joka perustuu osuvuuteen, yksinkertaisuuteen ja selkeyteen, 1 = ei ole merkitystä, 2 = jonkin verran merkityksellinen, 3 = merkityksellinen ja 4 = erittäin merkityksellinen. Kasvojen ja sisällön pätevyyden todentamisen jälkeen käytännön työpajojen lisäksi suoritettiin suuntautumis- ja suuntautumisistuntoja opettajille, jotka käyttävät mallia.
Työryhmä pystyi kehittämään ja testaamaan simulaation jälkeisen RLC-mallin kliinisten päättelytaitojen optimoimiseksi SBE: hen osallistumisen aikana tehohoitoyksiköihin (kuvat 1, 2 ja 3). CVR = 1,00, CVI = 1,00, heijastaen sopivaa kasvo- ja sisällön pätevyyttä [52, 53].
Malli luotiin Group SBE: lle, jossa mielenkiintoisia ja haastavia skenaarioita käytetään osallistujille, joilla on sama tai erilainen kokemus, tiedon ja ikä. RLC-käsitteellinen malli kehitettiin INACSL-lennon simulointianalyysistandardien [36] mukaisesti, ja se on oppijakeskeinen ja itsestään selvä, mukaan lukien toimivat esimerkit (kuvat 1, 2 ja 3). Malli kehitettiin tarkoituksenmukaisesti ja jaettiin neljään vaiheeseen mallinnusstandardien täyttämiseksi: alkaen tiedotuksella, jota seurasi heijastava analyysi/synteesi, ja päättyy tietoon ja yhteenvetoon. Kognitiivisen ylikuormituksen mahdollisen riskin välttämiseksi mallin jokainen vaihe on tarkoituksellisesti suunniteltu seuraavalle vaiheelle edellytyksenä [34].
Ikä- ja ryhmän harmoniatekijöiden vaikutusta osallistumiseen RLC: hen ei ole aiemmin tutkittu [38]. Kun otetaan huomioon kaksoisilmukan ja kognitiivisen ylikuormitusteorian käytännön käsitteet simulaatiokäytännössä [34, 37], on tärkeää ottaa huomioon, että osallistuminen ryhmä SBE: hen, joilla on erilaisia kokemuksia ja kykynsä saman simulaatioryhmän osallistujien, on haaste. Tiedon määrän, virtauksen ja oppimisen rakenteen laiminlyöminen sekä nopean ja hitaan kognitiivisen prosessin samanaikainen käyttö sekä lukion että lukion lukiolaisten oppilaat aiheuttavat potentiaalisen kognitiivisen ylikuormituksen riskin [18, 38, 46]. Nämä tekijät otettiin huomioon kehitettäessä RLC -mallia alikehittyneiden ja/tai suboptimaalisten kliinisten päättelyjen välttämiseksi [18, 38]. On tärkeää ottaa huomioon, että RLC: n johtaminen erilaisilla ikäryhmillä ja pätevyydellä aiheuttaa hallitsevan vaikutuksen vanhempien osallistujien keskuudessa. Tämä johtuu siitä, että edistyneillä osallistujilla on taipumus välttää peruskäsitteiden oppimista, mikä on kriittistä nuoremmille osallistujille metatunnistuksen saavuttamiseksi ja korkeamman tason ajattelu- ja päättelyprosessien siirtämiseksi [38, 47]. RLC -malli on suunniteltu kiinnostamaan vanhempia ja nuorempia sairaanhoitajia arvostavan tutkimuksen ja Delta -lähestymistavan avulla [45, 46, 51]. Näitä menetelmiä käyttämällä vanhempien ja nuorempien osallistujien näkemykset, joilla on vaihtelevat kyvyt ja kokemuksen tasot, esitetään esine esineellä, ja niistä keskustellaan moderaattori ja yhteismoderaattorit [45, 51]. Simulaation osallistujien panoksen lisäksi selvitysvalvoja lisää heidän panoksensa varmistaakseen, että kaikki kollektiiviset havainnot kattavat kattavasti jokaisen oppimismomentin, mikä parantaa metakognitiota kliinisen päättelyn optimoimiseksi [10].
Tietovirta- ja oppimisrakenne RLC-mallia käyttämällä käsitellään systemaattisen ja monivaiheisen prosessin avulla. Tämän tarkoituksena on auttaa avustajia ja varmistaa, että jokainen osallistuja puhuu selvästi ja varmasti jokaisessa vaiheessa ennen siirtymistä seuraavaan vaiheeseen. Moderaattori pystyy aloittamaan heijastavat keskustelut, joissa kaikki osallistujat osallistuvat, ja saavuttamaan pisteen, jossa vaihtelevan ikä- ja kykytasojen osallistujat sopivat parhaista käytännöistä kunkin keskustelupisteelle ennen siirtymistä seuraavaan [38]. Tämän lähestymistavan käyttö auttaa kokeneita ja päteviä osallistujia jakamaan panoksensa/havaintonsa, kun taas vähemmän kokeneiden ja pätevien osallistujien panokset/havainnot arvioidaan ja keskustellaan [38]. Tämän tavoitteen saavuttamiseksi avustajien on kuitenkin kohdattava haaste tasapainottaa keskusteluja ja tarjota yhtäläisiä mahdollisuuksia vanhemmille ja nuorille osallistujille. Tätä varten mallikyselymenetelmä kehitettiin tarkoituksellisesti Bloomin taksonomisella mallilla, jossa yhdistyvät arviointitutkimus ja lisäaine/delta -menetelmä [45, 46, 51]. Näiden tekniikoiden käyttäminen ja tietokysymysten tiedosta ja ymmärrystä aloittaminen rohkaisee vähemmän kokeneita osallistujia osallistumaan ja osallistumaan aktiivisesti keskusteluun, jonka jälkeen avustaja siirtyy vähitellen korkeampaan arviointiin ja kysymysten/keskustelujen synteesiin jossa molempien osapuolten on annettava eläkeläisille ja junioreille osallistujille yhtäläiset mahdollisuudet osallistua aikaisemman kokemuksensa ja kokemuksensa perusteella kliinisistä taitoista tai simuloituista skenaarioista. Tämä lähestymistapa auttaa vähemmän kokeneita osallistujia osallistumaan aktiivisesti ja hyötymään kokemuksista, joita kokeneemmat osallistujat jakavat sekä selvityksen avustajan panoksen. Toisaalta malli on suunniteltu paitsi SBE: ille, joilla on erilaiset osallistujien kyvyt ja kokemustasot, myös SBE -ryhmän osallistujille, joilla on samanlainen kokemus ja kykytaso. Malli on suunniteltu helpottamaan ryhmän sujuvaa ja systemaattista liikettä keskittymällä tietoon ja ymmärrykseen keskittymään synteesiin ja arviointiin oppimistavoitteiden saavuttamiseksi. Mallirakenne ja prosessit on suunniteltu sopimaan erilaisten ja yhtäläisten kykyjen ja kokemuksen tasojen mallinnusryhmille.
Lisäksi, vaikka SBE: n terveydenhuollossa yhdessä RLC: n kanssa käytetään kliinisen päättelyn ja pätevyyden kehittämiseen lääkäreissä [22,30,38], asiaankuuluvat tekijät on kuitenkin otettava huomioon tapausten monimutkaisuuteen ja mahdollisiin kognitiivisen ylikuormituksen riskeihin, erityisesti erityisesti Kun osallistujat osallistuivat SBE: n skenaarioihin simuloitiin erittäin monimutkaisia, kriittisesti sairaita potilaita, jotka vaativat välitöntä interventiota ja kriittistä päätöksentekoa [2,18,37,38,47,48]. Tätä varten on tärkeää ottaa huomioon sekä kokeneiden että vähemmän kokeneiden osallistujien taipumus siirtyä samanaikaisesti analyyttisten ja ei-analyyttisten päättelyjärjestelmien välillä osallistuessaan SBE: hen ja luoda todistepohjainen lähestymistapa, joka sallii sekä vanhemman että nuoremman Opiskelijat osallistuvat aktiivisesti oppimisprosessiin. Siten malli on suunniteltu siten, että avustajan on ensin varmistettava, että esitetyn simuloidun tapauksen monimutkaisuudesta riippumatta sekä vanhempien että nuorempien osallistujien tiedon ja taustan ymmärtämisen näkökohdat katetaan ensin ja sitten vähitellen ja reflektiivisesti kehitettyihin helpottaa analyysiä. synteesi ja ymmärrys. arvioiva näkökohta. Tämä auttaa nuorempia opiskelijoita rakentamaan ja vakiinnuttamaan oppimansa ja auttavat vanhempia opiskelijoita syntetisoimaan ja kehittämään uutta tietoa. Tämä täyttää perusteluprosessin vaatimukset ottaen huomioon kunkin osallistujan aikaisemmat kokemukset ja kyvyt, ja sillä on yleinen muoto, joka käsittelee lukion ja lukion lukion opiskelijoiden taipumusta siirtyä samanaikaisesti analyyttisten ja ei -analyyttisten päättelyjärjestelmien välillä, siten siten Kliinisen päättelyn optimoinnin varmistaminen.
Lisäksi simulaation avustajilla/neuvottelijoilla voi olla vaikeuksia hallita simulaation selvitystaitoja. Kognitiivisten selvityskriptien käytön uskotaan olevan tehokas parantamaan tiedon hankkimista ja käyttäytymistaitoja avustajien verrattuna niihin, jotka eivät käytä skriptejä [54]. Skenaariot ovat kognitiivinen työkalu, joka voi helpottaa opettajien mallintamistyötä ja parantaa selvitystaitoja, etenkin opettajille, jotka edelleen vakiinnuttavat heidän lausunnon kokemustaan [55]. Saavuta parempaa käytettävyyttä ja kehitä käyttäjäystävällisiä malleja. (Kuva 2 ja kuva 3).
Plus/Delta-, arvostavan tutkimuksen ja Bloomin taksonomiakyselymenetelmien rinnakkaista integraatiota ei ole vielä käsitelty tällä hetkellä saatavissa olevassa simulaatioanalyysissä ja ohjattuissa heijastusmalleissa. Näiden menetelmien integrointi korostaa RLC-mallin innovaatiota, jossa nämä menetelmät on integroitu yhdessä muodossa kliinisen päättelyn ja oppijoiden keskittymisen optimoinnin saavuttamiseksi. Lääketieteelliset opettajat voivat hyötyä ryhmän SBE: n mallintamisesta RLC -mallilla osallistujien kliinisten päättelyjen parantamiseksi ja optimoimiseksi. Mallin skenaariot voivat auttaa opettajia hallitsemaan heijastavan selvityksen prosessin ja vahvistamaan taitojaan tullakseen varmiksi ja päteviksi valittaviksi.
SBE voi sisältää monia erilaisia tapoja ja tekniikoita, mukaan lukien, mutta rajoittumatta, mannekiinipohjainen SBE, tehtäväsimulaattorit, potilassimulaattorit, standardisoidut potilaat, virtuaalinen ja lisätty todellisuus. Kun otetaan huomioon, että raportointi on yksi tärkeistä mallinnuskriteereistä, simuloitua RLC -mallia voidaan käyttää raportointimallina käytettäessä näitä tiloja. Lisäksi, vaikka malli on kehitetty hoitotyön tieteenalaan, sillä on potentiaalia käyttää ammattien välisessä terveydenhuollon SBE: ssä, mikä korostaa tulevien tutkimusaloitteiden tarvetta RLC -mallin testaamiseksi ammattien välistä koulutusta varten.
RLC: n jälkeisen RLC-mallin kehittäminen ja arviointi SBE: n tehohoitoyksiköissä. Mallin tulevaa arviointia/validointia suositellaan lisäämään mallin yleistävyyttä käytettäväksi muilla terveydenhuollon tieteenaloilla ja ammattien välisillä SBE: llä.
Mallin kehitti teoriaan ja konseptiin perustuva yhteinen työryhmä. Mallin pätevyyden ja yleistävyyden parantamiseksi vertailevien tutkimusten parannettujen luotettavuusmittausten käyttöä voidaan harkita tulevaisuudessa.
Harjoitteluvirheiden minimoimiseksi ammattilaisilla on oltava tehokkaat kliiniset päättelytaidot turvallisen ja asianmukaisen kliinisen päätöksenteon varmistamiseksi. SBE RLC: n käyttäminen selvitystekniikkana edistää kliinisen päättelyn kehittämistä tarvittavien tietojen ja käytännön taitojen kehittämistä. Kliinisen päättelyn moniulotteinen luonne, joka liittyy aikaisempaan kokemukseen ja altistumiseen, muutokset, kyvyn, määrän ja tiedonkulun virtaukset sekä simulaatioskenaarioiden monimutkaisuus, korostaa kuitenkin Simulaation jälkeisen RLC-mallien kehittämisen merkitystä, jonka kautta kliininen päättely voi olla aktiivisesti ja toteutetaan tehokkaasti. taidot. Näiden tekijöiden huomioimatta jättäminen voi johtaa alikehittyneeseen ja suboptimaaliseen kliiniseen päättelyyn. RLC -malli kehitettiin käsittelemään näitä tekijöitä kliinisen päättelyn optimoimiseksi osallistuessaan ryhmäsimulaatiotoimintaan. Tämän tavoitteen saavuttamiseksi malli integroi samanaikaisesti plus/miinus arvioivan tutkimuksen ja Bloomin taksonomian käytön.
Tämän tutkimuksen aikana käytetyt ja/tai analysoidut tietojoukot ovat saatavana vastaavalta kirjoittajalta kohtuullisessa pyynnössä.
Daniel M, Rencic J, Durning SJ, Holmbo E, Santen SA, Lang W, Ratcliffe T, Gordon D, Heist B, Lubarski S, Estrada KA. Menetelmät kliinisen päättelyn arvioimiseksi: Tarkista ja harjoittelu suositukset. Lääketieteen akatemia. 2019; 94 (6): 902–12.
Young Me, Thomas A., Lubarsky S., Gordon D., Gruppen LD, Rensich J., Ballard T., Holmboe E., Da Silva A., Ratcliffe T., Schuwirth L. Kirjallisuusvertailu kliinisistä päättelyistä terveydenhuollon ammattien keskuudessa : laajuuskatsaus. BMC: n lääketieteellinen koulutus. 2020; 20 (1): 1–1.
Guerrero JG. Hoitokäytännön päättelymalli: Kliinisen päättelyn, päätöksenteon ja arvioinnin taide ja tiede hoitotyössä. Avaa sairaanhoitajan päiväkirja. 2019; 9 (2): 79–88.
Almomani E, Alauch T, Saada O, Al Nsour A, Kamble M, Samuel J, Atallah K, Mustafa E. Heijastavan oppimisen vuoropuhelu kliinisenä oppimisen ja opetusmenetelmänä kriittisessä hoidossa. Qatar Medical Journal. 2020; 2019; 1 (1): 64.
Mamed S., Van Gogh T., Sampaio AM, De Faria RM, Maria JP, Schmidt HG Kuinka opiskelijoiden diagnostiikkataidot hyötyvät käytännöstä kliinisissä tapauksissa? Järjestelmällisen pohdinnan vaikutukset samojen ja uusien häiriöiden tuleviin diagnooseihin. Lääketieteen akatemia. 2014; 89 (1): 121–7.
Tutticci N, Theobald KA, Ramsbotham J, Johnston S. Tarkkailijaroolien ja kliinisen päättelyn tutkiminen simulaatiossa: laajuuskatsaus. Sairaanhoitajakoulutuskäytäntö 2022 20. tammikuuta 103301.
Edwards I, Jones M, Carr J, Braunack-Meyer A, Jensen GM. Kliiniset päättelystrategiat fysioterapiassa. Fysioterapia. 2004; 84 (4): 312–30.
Kuiper R, Pesut D, Kautz D. Lääketieteen opiskelijoiden kliinisten päättelytaitojen itsesääntelyn edistäminen. Open Journal Sairaanhoitaja 2009; 3: 76.
Levett-Jones T, Hoffman K, Dempsey J, Jeon SY, Noble D, Norton KA, Roche J, Hickey N. Kliinisen päättelyn ”viisi oikeutta”: koulutusmalli kliinisen osaamisen hoitotyön opiskelijoiden parantamiseksi AT- tunnistamisessa ja hallinnassa riskipotilaat. Hoitokoulutus tänään. 2010; 30 (6): 515–20.
Brentnall J, Thackray D, Judd B. Lääketieteellisten opiskelijoiden kliinisen päättelyn arviointi sijoitus- ja simulaatioasetuksissa: systemaattinen katsaus. Kansainvälinen ympäristötutkimuslehti, kansanterveys. 2022; 19 (2): 936.
Chamberlain D, Pollock W, Fulbrook P. ACCCN -standardit kriittisen hoidon hoitotyöhön: systemaattinen katsaus, todisteiden kehittäminen ja arviointi. Hätä Australia. 2018; 31 (5): 292–302.
Cunha LD, Pestana-Santos M, Lomba L, Reis Santos M. Epävarmuus kliinisessä päättelyssä posanestesian hoidossa: integroiva katsaus, joka perustuu epävarmuustekijöihin monimutkaisissa terveydenhuollon olosuhteissa. J Perioperatiivinen sairaanhoitaja. 2022; 35 (2): E32–40.
Rivaz M, Tavakolinia M, Momennasab M. Kriittisen hoidon sairaanhoitajien ammatillinen käytäntöympäristö ja sen yhteys hoitotyön tuloksiin: rakenneyhtälöiden mallinnustutkimus. Scand J Caring Sci. 2021; 35 (2): 609–15.
SUVARDANTO H, ASTUTI VV, osaaminen. Hoitotyön ja kriittisen hoidon käytännöt Journal Exchange for Critical Care -yksikössä (JSCC). Strada -aikakauslehti Ilmia Kesehatan. 2020; 9 (2): 686–93.
Liev B, Dejen Tilahun A, Kasyu T. Tieto, asenteet ja tekijät, jotka liittyvät fyysiseen arviointiin tehohoitoyksikön sairaanhoitajien keskuudessa: monikeskus poikkileikkaustutkimus. Kriittisen hoidon tutkimuskäytäntö. 2020; 9145105.
Sullivan J., Hugill K., A. Elraush TA, Mathias J., ALKHETIMI MO PILOTTION TÄYTYKSEN TYÖTYMÄN KEHITTÄMISEKSI SAIMUKSET JA MIHTEIDEN KUUSTIIVINEN KULTTUURIKOHTAISEKSI. Sairaanhoitajan koulutuskäytäntö. 2021; 51: 102969.
Wang MS, Thor E, Hudson JN. Vastausprosessin pätevyyden testaaminen komentosarjojen johdonmukaisuustesteissä: Ajattelu ääneen lähestymistapa. International Journal of Medical Education. 2020; 11: 127.
Kang H, Kang Hy. Simulaatiokoulutuksen vaikutukset kliinisiin päättelytaitoihin, kliiniseen osaamiseen ja koulutustyytyväisyyteen. J Korean akateeminen ja teollisuusyhteistyöyhdistys. 2020; 21 (8): 107–14.
Diekmann P, Thorgeirsen K, Kvindesland SA, Thomas L, Bushell W, Langley Ersdal H. Mallinnuksen käyttäminen valmistamaan ja parantamaan vastauksia tartuntatautien puhkeamisiin, kuten COVID-19: Käytännöllisiä vinkkejä ja resursseja Norjasta, Tanskasta ja Iso-Britanniasta. Edistynyt mallinnus. 2020; 5 (1): 1–0.
LIOSE L, Lopreiato J, perustaja D, Chang TP, Robertson JM, Anderson M, Diaz DA, Espanja AE, toimittajat. (Associate Editor) ja terminologian ja käsitteiden työryhmä, terveydenhuollon mallinnuksen sanakirja - toinen painos. Rockville, MD: Terveydenhuollon tutkimus- ja laatuvirasto. Tammikuu 2020: 20-0019.
Brooks A, Brachman S, Capralos B, Nakajima A, Tyerman J, Jain L, Salvetti F, Gardner R, Mahehart R, Bertagni B. Lisätty todellisuus terveydenhuollon simulaatioon. Viimeisin kehitys virtuaalisessa potilastekniikassa osallistavan hyvinvoinnin kannalta. Pelifikaatio ja simulointi. 2020; 196: 103–40.
Alamrani MH, Alammal KA, Alqahtani SS, Salem OA Vertailu simulaation ja perinteisten opetusmenetelmien vaikutuksista kriittisen ajattelun taitoihin ja itseluottamiseen hoitotyön opiskelijoilla. J Nursing Research Center. 2018; 26 (3): 152–7.
Kiernan LK arvioi kykyä ja luottamusta simulaatiotekniikoiden avulla. Hoito. 2018; 48 (10): 45.
Viestin aika: tammikuu 08-2024