実務家は、適切で安全な臨床的決定を下し、練習エラーを避けるために、効果的な臨床推論スキルを持っている必要があります。開発されていない臨床推論スキルは、特に集中治療および救急部門で患者の安全性を損ない、ケアや治療を遅らせることができます。シミュレーションベースのトレーニングは、患者の安全性を維持しながら臨床的推論スキルを開発するためのデブリーフィング方法としてシミュレーションに従って反射学習会話を使用します。しかし、臨床推論の多次元性、認知的過負荷の潜在的なリスク、および高度およびジュニアシミュレーション参加者による分析的（視床下部（直感的な）臨床推論プロセスの異なる使用のために、経験、能力、情報の流れと量に関連する要因、およびデブリーフィング方法としてシミュレーション後にグループ反射学習会話に従事することにより、臨床的推論を最適化するケースの複雑さを考えてください。私たちの目標は、臨床推論の最適化の達成に影響を与える複数の要因を考慮するシミュレーション後の反射学習対話のモデルの開発を説明することです。
医師、看護師、研究者、教育者、患者の代表者で構成される共同設計ワーキンググループ（n = 18）は、シミュレーション後の反射学習対話モデルを共同開発してシミュレーションを報告するために、歴代のワークショップを通じて協力しました。共同設計ワーキンググループは、理論的および概念的なプロセスと多相ピアレビューを通じてモデルを開発しました。 Plus/Minus Assessment ResearchとBloomの分類法の並列統合は、シミュレーションアクティビティに参加しながら、シミュレーション参加者の臨床的推論を最適化すると考えられています。コンテンツの妥当性指数（CVI）およびコンテンツ妥当性比（CVR）メソッドを使用して、モデルの顔の妥当性とコンテンツの妥当性を確立しました。
シミュレーション後の反射学習対話モデルが開発され、テストされました。このモデルは、作業例とスクリプトガイダンスによってサポートされています。モデルの顔と内容の妥当性を評価し、確認しました。
新しい共同設計モデルは、さまざまなモデリング参加者のスキルと能力、情報のフローと量、モデリングケースの複雑さを考慮して作成されました。これらの要因は、グループシミュレーション活動に参加する際に臨床的推論を最適化すると考えられています。
臨床的推論は、ヘルスケアにおける臨床診療の基礎[1、2]および臨床能力の重要な要素[1、3、4]と考えられています。これは、実務家が遭遇する各臨床状況に対して最も適切な介入を特定して実装するために使用する反射プロセスです[5、6]。臨床的推論は、正式および非公式の思考戦略を使用して患者に関する情報を収集および分析し、その情報の重要性を評価し、代替の行動コースの価値を決定する複雑な認知プロセスとして説明されています[7、8]。適切なタイミングで適切な理由で適切な患者に適切な行動をとるために、手がかりを収集し、情報を処理し、患者の問題を理解する能力に依存します[9、10]。
すべての医療提供者は、高い不確実性の条件で複雑な決定を下す必要性に直面しています[11]。クリティカルケアと救急医療の実践では、臨床的状況と緊急事態が発生し、即時の対応と介入が命を救い、患者の安全を確保するために重要です[12]。臨床的推論の貧弱なスキルと救命救急慣行の能力は、臨床誤りの高い割合、ケアまたは治療の遅延[13]、および患者の安全性のリスクに関連しています[14,15,16]。実際のエラーを避けるために、実務家は有能であり、安全で適切な決定を下すために効果的な臨床推論スキルを持っている必要があります[16、17、18]。非分析的（直感的な）推論プロセスは、専門的な開業医が好む高速なプロセスです。対照的に、分析的（仮説的な）推論プロセスは、本質的に遅く、意図的であり、経験の少ない開業医によってより頻繁に使用される[2、19、20]。ヘルスケア臨床環境の複雑さと練習エラーの潜在的なリスク[14,15,16]を考えると、シミュレーションベースの教育（SBE）は、実務家に能力と臨床推論スキルを開発する機会を提供するためによく使用されます。患者の安全性を維持しながら、安全な環境とさまざまな挑戦的なケースへの暴露[21、22、23、24]。
Society for Health（SSH）は、シミュレーションを「人々が実践、トレーニング、評価、テスト、または人間のシステムの理解を得るために現実のイベントの表現を経験する状況または環境を作成する技術を作成する技術と定義しています。行動。" [23]十分に構造化されたシミュレーションセッションは、参加者に臨床状況をシミュレートするシナリオに没頭する機会を提供します。 SBEは野外臨床経験を強化し、実際の患者ケアの環境で経験していない可能性のある臨床経験に学生をさらします[24、29]。これは、脅迫的で、非難されていない、監視され、安全で、低リスクの学習環境です。知識、臨床スキル、能力、批判的思考、臨床的推論[22,29,30,31]の開発を促進し、医療専門家が状況の感情的ストレスを克服し、それによって学習能力を改善するのに役立ちます[22、27、28] 。 、30、32]。
SBEを通じて臨床推論と意思決定スキルの効果的な開発をサポートするには、シミュレーション後のデブリーフィングプロセスの設計、テンプレート、および構造に注意を払う必要があります[24、33、34、35]。シミュレーション後の反射学習会話（RLC）は、参加者がチームワークのコンテキストでピアサポートとグループ思考の力を反映し、説明し、グループ化するのに役立つデブリーフィング手法として使用されました[32、33、36]。グループRLCの使用は、特に参加者のさまざまな能力と年功序列レベルに関連して、未発達の臨床的推論の潜在的なリスクをもたらします。デュアルプロセスモデルは、臨床的推論の多次元性と、上級実務家の傾向の違いを説明し、分析（仮説的な）推論プロセスとジュニア実践者を使用して非分析的（直感的な）推論プロセスを使用します[34、37]。 ]。これらの二重の推論プロセスには、最適な推論プロセスをさまざまな状況に適応させるという課題が含まれます。また、同じモデリンググループにシニアとジュニアの参加者がいる場合、分析および非分析方法を効果的に使用する方法は不明であり、論争の余地があります。さまざまな能力と経験レベルの高校生と中学生は、さまざまな複雑さのシミュレーションシナリオに参加しています[34、37]。臨床推論の多次元的な性質は、特に開業医がさまざまな症例の複雑さと年功序列のレベルでグループSBEに参加する場合、未発達の臨床的推論と認知的過負荷の潜在的なリスクに関連しています[38]。 RLCを使用して多くのデブリーフィングモデルがありますが、これらのモデルはいずれも、臨床推論スキルの開発に特に焦点を当てて設計されていないことに注意してください。複雑さのモデリング要因[38]。 ]。 、39]。これらすべてには、臨床的推論を最適化するためにさまざまな貢献と影響を与える要因を考慮し、シミュレーション後のRLCを報告方法として組み込んだ構造化モデルの開発が必要です。シミュレーション後のRLCの共同設計と開発のための理論的および概念的に駆動されるプロセスについて説明します。 SBEへの参加中に臨床推論スキルを最適化するためにモデルが開発されました。これは、最適化された臨床推論開発を達成するための幅広い促進要因と影響要因を考慮して開発されました。
RLCシミュレーション後のモデルは、既存のモデルと臨床推論、反射学習、教育、およびシミュレーションの理論に基づいて共同で開発されました。モデルを共同で開発するために、10人の集中治療看護師、1人の集中看護師、さまざまなレベル、経験、性別の以前に入院した3人の代表者で構成される共同作業グループ（n = 18）が形成されました。 1人の集中治療室、2人の研究助手、2人の上級看護師教育者。この共同設計のイノベーションは、提案されたモデルの開発に関与する医療専門家、または患者などの他の利害関係者のいずれかの医療専門家のいずれかの医療での経験を持つ利害関係者間のピアコラボレーションを通じて設計および開発されます[40,41,42]。共同設計プロセスに患者の代表者を含めることは、プログラムの最終的な目標は患者のケアと安全性を向上させることであるため、プロセスに価値をさらに高めることができます[43]。
ワーキンググループは、モデルの構造、プロセス、コンテンツを開発するために、6つの2〜4時間のワークショップを実施しました。ワークショップには、議論、実践、シミュレーションが含まれています。モデルの要素は、さまざまなエビデンスに基づいたリソース、モデル、理論、フレームワークに基づいています。これらには、構成主義学習理論[44]、デュアルループの概念[37]、臨床推論ループ[10]、感謝調査（AI）メソッド[45]、および報告プラス/デルタ法[46]が含まれます。このモデルは、国際看護師協会の臨床およびシミュレーション教育のためのINACSLデブリーフィングプロセス基準に基づいて共同開発され[36]、自明のモデルを作成するための作業例と組み合わされました。このモデルは、シミュレーション後の反射学習対話の準備、反射学習対話の開始、分析/反省、およびデブリーフィングの4つの段階で開発されました（図1）。各段階の詳細については、以下で説明します。
モデルの準備段階は、次の段階のために参加者を心理的に準備し、積極的な参加と投資を増やしながら、心理的安全性を確保するように設計されています[36、47]。この段階には、目的と目的の紹介が含まれています。 RLCの予想期間。 RLC中のファシリテーターと参加者の期待。サイトの向きとシミュレーションのセットアップ。学習環境での機密性を確保し、心理的安全性を高め、強化します。共同設計ワーキンググループからの以下の代表的な回答は、RLCモデルの開発前段階で考慮されました。参加者7：「プライマリケア看護師の開業医として、シナリオのコンテキストなしでシミュレーションに参加していて、高齢者が存在している場合、心理的な安全性があると感じない限り、シミュレーション後の会話に参加することを避けるでしょう。尊敬されています。そして、私はシミュレーション後の会話への参加を避けます。 「保護されてください。そうすれば、結果はありません。」参加者4：「私は、焦点を合わせて地上ルールを早期に確立することは、シミュレーション後の学習者に役立つと信じています。反省的な学習会話への積極的な参加。」
RLCモデルの初期段階には、参加者の感情の調査、根本的なプロセスの説明、シナリオの診断、および参加者の肯定的および否定的な経験のリストが含まれますが、分析は含まれません。この段階のモデルは、候補者が自己およびタスク指向であることを奨励するために作成され、精神的に詳細な分析と詳細な反省に備えます[24、36]。目標は、特にモデリングのトピックに慣れておらず、スキル/トピックに関する以前の臨床経験がない人にとって、認知過負荷の潜在的なリスクを軽減することです[48]。参加者に、シミュレートされたケースを簡単に説明し、診断の推奨事項を作成するように依頼することは、ファシリテーターが、拡張分析/反射フェーズに進む前に、グループの学生がケースの基本的かつ一般的な理解を持っていることを保証するのに役立ちます。さらに、この段階で参加者を招待して、シミュレートされたシナリオで感情を共有することは、状況の感情的なストレスを克服し、それによって学習を強化するのに役立ちます[24、36]。また、感情的な問題に対処することは、RLCファシリテーターが参加者の感情が個人やグループのパフォーマンスにどのように影響するかを理解するのにも役立ちます。これは、反射/分析段階で批判的に議論することができます。 Plus/Deltaメソッドは、反射/分析段階の準備と決定的なステップとしてモデルのこのフェーズに組み込まれています[46]。 Plus/Deltaアプローチを使用して、参加者と学生の両方が、シミュレーションの観察、感情、経験を処理/リストすることができます。これは、モデルの反射/分析段階でポイントごとに議論できます[46]。これにより、参加者は、臨床的推論を最適化するためのターゲットと優先順位のある学習機会を通じて、メタ認知状態を達成するのに役立ちます[24、48、49]。共同設計ワーキンググループからの以下の代表的な回答は、RLCモデルの最初の開発中に考慮されました。参加者2：「以前にICUに入院した患者として、シミュレートされた学生の感情と感情を考慮する必要があると思います。私はこの問題を提起します。なぜなら、私の入場時に、特にクリティカルケアの実践者の間で高レベルのストレスと不安を観察したからです。および緊急事態。このモデルは、エクスペリエンスのシミュレーションに関連するストレスと感情を考慮する必要があります。」参加者16：「教師としての私にとって、プラス/デルタアプローチを使用して、シミュレーションシナリオ中に遭遇した良いことやニーズに言及することで生徒が積極的に参加することを奨励することが非常に重要だと思います。改善の領域。」
モデルの前の段階は重要ですが、分析/反射段階は臨床推論の最適化を達成するために最も重要です。モデル化されたトピックの臨床経験、能力、および影響に基づいて、高度な分析/合成と詳細な分析を提供するように設計されています。 RLCプロセスと構造。認知的過負荷を回避するために提供される情報の量。反射的な質問の効果的な使用。学習者中心の積極的な学習を達成する方法。この時点で、シミュレーショントピックの臨床経験と精通は、さまざまなレベルの経験と能力に対応するために3つの部分に分けられます。1つ目は、以前の臨床専門的経験なし/シミュレーショントピックへの以前の曝露なし、2番目：臨床専門的経験、知識とスキル/スキル/なし。モデリングトピックへの以前の露出。 3番目：臨床の専門的経験、知識、スキル。モデリングトピックへの専門的/以前の露出。分類は、同じグループ内の異なる経験と能力レベルを持つ人々のニーズに対応するために行われ、それにより、経験豊富な開業医が分析的推論を使用する傾向のバランスをとり、より経験豊富な実務家が非分析の推論スキルを使用する傾向があります[19、 20、34]。 、37]。 RLCプロセスは、臨床推論サイクル[10]、反射モデリングフレームワーク[47]、および体験学習理論[50]を中心に構成されました。これは、解釈、差別化、コミュニケーション、推論、合成の多くのプロセスによって達成されます。
認知的過負荷を避けるために、参加者が自信を達成するために反射、分析、および合成するのに十分な時間と機会を備えた学習者中心の反射的な話すプロセスを促進することが考慮されました。 RLC中の認知プロセスは、二重ループフレームワーク[37]および認知負荷理論[48]に基づいて、統合、確認、形成、および統合プロセスを通じて対処されます。構造化された対話プロセスを持ち、経験豊富な参加者と経験の浅い参加者の両方を考慮して、反射に十分な時間を確保することで、特にさまざまな以前の経験、露出、能力レベルの参加者を伴う複雑なシミュレーションで、認知負荷の潜在的なリスクを減らします。シーンの後。モデルの反射的な質問手法は、Bloomの分類学モデル[51]および感謝の質問（AI）メソッド[45]に基づいており、モデル化されたファシリテーターが段階的、ソクラテス、および反射的な方法で被験者にアプローチします。知識ベースの質問から始めて、質問してください。推論に関連するスキルと問題に対処します。この質問手法は、認知的過負荷のリスクが少ない積極的な参加者の参加と進歩的思考を促進することにより、臨床推論の最適化を改善します。 RLCモデル開発の分析/反射段階で、共同設計ワーキンググループからの以下の代表的な回答が考慮されました。参加者13：「認知的過負荷を回避するには、シミュレーション後の学習会話に従事する際に情報の量と流れを考慮する必要があります。 。知識。会話とスキルを開始し、より高いレベルの知識とスキルに移動して、メタ認知を達成します。」参加者9：「感謝の質問（AI）テクニックを使用した質問とブルームの分類モデルを使用した反射的な質問は、認知過剰のリスクの可能性を減らしながら、積極的な学習と学習者中心性を促進すると強く信じています。」モデルのデブリーフィングフェーズは、RLC中に提起された学習ポイントを要約し、学習目標が実現されるようにすることを目的としています。参加者8：「学習者とファシリテーターの両方が、実践に移行する際に考慮すべき最も重要な重要なアイデアと重要な側面に同意することが非常に重要です。」
倫理的承認は、プロトコル数（MRC-01-22-117）および（HSK/PGR/UH/04728）で得られました。このモデルは、モデルの使いやすさと実用性を評価するために、3つの専門的な集中治療シミュレーションコースでテストされました。モデルの顔の妥当性は、共同設計ワーキンググループ（n = 18）および教育ディレクターとして働く教育専門家（n = 6）によって評価され、外観、文法、プロセスに関連する問題を修正しました。顔の妥当性の後、コンテンツの妥当性は、アメリカの看護師資格認定センター（ANCC）によって認定され、教育計画者を務めた上級看護師教育者（n = 6）によって決定され、（n = 6）。教育経験。実務経験評価は、教育取締役によって実施されました（n = 6）。モデリングエクスペリエンス。コンテンツの妥当性は、コンテンツ妥当性比（CVR）とコンテンツ妥当性指数（CVI）を使用して決定されました。 Lawshe Method [52]を使用してCVIを推定し、WaltzとBausell [53]の方法を使用してCVRを推定しました。 CVRプロジェクトは必要で、有用ですが、必要ではありません。 CVIは、関連性、シンプルさ、および明確さに基づいて4点スケールで採点され、1 =関連性がなく、2 =やや関連性があり、3 =関連性があり、4 =非常に関連性があります。顔とコンテンツの妥当性を確認した後、実際のワークショップに加えて、モデルを使用する教師のためにオリエンテーションとオリエンテーションセッションが実施されました。
ワークグループは、シミュレーション後のRLCモデルを開発およびテストして、集中治療ユニットに参加中に臨床推論スキルを最適化することができました（図1、2、および3）。 CVR = 1.00、CVI = 1.00、適切な顔とコンテンツの妥当性を反映しています[52、53]。
このモデルは、同じレベルまたは異なるレベルの経験、知識、年功序列を持つ参加者にエキサイティングで挑戦的なシナリオが使用されるグループSBE向けに作成されました。 RLCの概念モデルは、INACSLフライトシミュレーション分析標準[36]に従って開発され、作業例を含む学習者中心で自明です（図1、2、および3）。モデルは意図的に開発され、モデリング基準を満たすために4つの段階に分割されました。ブリーフィングから始めて、反射分析/合成が続き、情報と要約で終わります。認知過負荷の潜在的なリスクを回避するために、モデルの各段階は、次の段階の前提条件として意図的に設計されています[34]。
RLCへの参加に対する年功序列とグループの調和要因の影響は、以前に研究されていません[38]。シミュレーション実践における二重ループと認知過負荷理論の実用的な概念[34、37]を考慮すると、同じシミュレーショングループの参加者のさまざまな経験と能力レベルを持つグループSBEに参加することが課題であることを考慮することが重要です。情報量、流れ、学習の構造の無視、および高校生と中学生の両方による高速および遅い認知プロセスの同時使用は、認知的過負荷の潜在的なリスクをもたらします[18、38、46]。これらの要因は、RLCモデルを開発する際に、未発達および/または最適ではない臨床的推論を避けるために考慮されました[18、38]。さまざまなレベルの年功序列と能力でRLCを実施すると、上級参加者の間で優位性の影響を与えることを考慮することが重要です。これは、高度な参加者が基本的な概念を学ぶことを避ける傾向があるために発生します。これは、若い参加者がメタ認知を達成し、高レベルの思考と推論プロセスに入るために重要です[38、47]。 RLCモデルは、感謝の質問とデルタアプローチ[45、46、51]を通じて、上級看護師とジュニアナースを引き付けるように設計されています。これらの方法を使用して、さまざまな能力と経験のレベルを持つ上級およびジュニアの参加者の見解は、アイテムごとにアイテムを提示され、デブリーフィングモデレーターと共同モデレーターによって反射的に議論されます[45、51]。シミュレーション参加者の入力に加えて、デブリーフィングファシリテーターは入力を追加して、すべての集合的観測が各学習モーメントを包括的にカバーし、それにより臨床推論を最適化するメタ認知を強化することを保証します[10]。
RLCモデルを使用した情報の流れと学習構造は、体系的でマルチステッププロセスを通じて対処されます。これは、デブリーフィングファシリテーターを支援し、各参加者が次の段階に進む前に各段階ではっきりと自信を持って話すことを保証するためです。モデレーターは、すべての参加者が参加する反射的な議論を開始し、さまざまな年功序列と能力レベルの参加者が各ディスカッションポイントのベストプラクティスに同意するポイントに到達することができます[38]。このアプローチを使用すると、経験豊富で有能な参加者が貢献/観察を共有するのに役立ちますが、経験豊富で有能な参加者の貢献/観察が評価され、議論されます[38]。ただし、この目標を達成するには、ファシリテーターは議論のバランスをとり、シニアとジュニアの参加者に平等な機会を提供するという課題に直面する必要があります。この目的のために、モデル調査方法は、評価調査と添加剤/デルタ法[45、46、51]を組み合わせたBloomの分類モデルを使用して意図的に開発されました。これらのテクニックを使用し、焦点の質問/反省的議論の知識と理解から始めることで、経験の少ない参加者が議論に参加し、積極的に参加することを奨励します。その後、ファシリテーターは徐々に質問/議論のより高いレベルの評価と統合に移動します。両当事者は、先輩とジュニアの参加者に、以前の経験と臨床スキルまたはシミュレートされたシナリオの経験に基づいて参加する平等な機会を提供する必要があります。このアプローチは、経験の浅い参加者が積極的に参加し、より経験豊富な参加者が共有した経験と、デブリーフィングファシリテーターの入力に役立ちます。一方、このモデルは、さまざまな参加者能力と経験レベルを持つSBEだけでなく、同様の経験と能力レベルのSBEグループ参加者向けにも設計されています。このモデルは、グループのスムーズで体系的な動きを促進するように設計されており、知識と理解に焦点を当ててから、学習目標を達成するための統合と評価に焦点を当てました。モデル構造とプロセスは、異なる能力と経験レベルのモデリンググループに合うように設計されています。
さらに、RLCと組み合わせたヘルスケアのSBEは、実務家の臨床的推論と能力を開発するために使用されますが[22,30,38]、関連する要因は、症例の複雑さと認知過負荷の潜在的なリスクに関連して考慮する必要があります。参加者がSBEシナリオに関与した場合、非常に複雑で重症患者をシミュレートし、即時の介入と重要な意思決定を必要とする[2,18,37,38,47,48]。この目的のために、経験豊富な参加者と経験豊富な参加者の両方が、SBEに参加する際に分析と非分析の推論システムを同時に切り替える傾向を考慮し、年長者と若い両方を可能にするエビデンスに基づいたアプローチを確立することを考慮することが重要です。学生が学習プロセスに積極的に参加する学生。したがって、このモデルは、提示されたシミュレートされたケースの複雑さに関係なく、ファシリテーターが上級参加者とジュニア参加者の両方の知識と背景理解の側面が最初にカバーされ、次に徐々に反射的に開発されることを保証する必要があるように設計されました。分析を促進します。統合と理解。評価的側面。これは、若い学生が学んだことを構築し、統合するのに役立ち、年長の生徒が新しい知識を統合して開発するのに役立ちます。これは、各参加者の以前の経験と能力を考慮して、推論プロセスの要件を満たし、高校生と中学生が同時に分析と非分析の推論システムを動かす傾向に対処する一般的な形式を持っています。臨床推論の最適化を確保する。
さらに、シミュレーションファシリテーター/デブリーファーは、シミュレーションデブリーフィングスキルをマスターするのが困難になる場合があります。認知デブリーフィングスクリプトの使用は、スクリプトを使用していない人と比較して、ファシリテーターの知識習得と行動スキルの向上に効果的であると考えられています[54]。シナリオは、特にデブリーフィングの経験を統合している教師にとって、教師のモデリング作業を促進し、デブリーフィングスキルを向上させることができる認知ツールです[55]。より高い使いやすさを実現し、ユーザーフレンドリーモデルを開発します。 （図2および図3）。
Plus/Deltaの並列統合、感謝調査、およびBloomの分類調査方法は、現在利用可能なシミュレーション分析とガイド付きリフレクションモデルではまだ対処されていません。これらの方法の統合は、RLCモデルの革新を強調しています。このモデルでは、これらの方法が単一の形式に統合され、臨床推論と学習者中心性の最適化を実現します。医療教育者は、RLCモデルを使用してグループSBEをモデリングして、参加者の臨床推論能力を改善および最適化することから利益を得ることができます。このモデルのシナリオは、教育者が反射的な報告のプロセスを習得し、スキルを強化して、自信を持って有能なデブリーフィングファシリテーターになるのに役立ちます。
SBEには、マネキンベースのSBE、タスクシミュレータ、患者シミュレータ、標準化された患者、仮想および拡張現実など、多くの異なるモダリティとテクニックを含めることができます。レポートは重要なモデリング基準の1つであることを考慮すると、シミュレートされたRLCモデルをこれらのモードを使用する際にレポートモデルとして使用できます。さらに、このモデルは看護規律のために開発されましたが、専門職間の医療SBEで使用する可能性があり、専門職間教育のRLCモデルをテストするための将来の研究イニシアチブの必要性を強調しています。
SBE集中治療ユニットの介護のためのシミュレーション後のRLCモデルの開発と評価。モデルの将来の評価/検証は、他のヘルスケア分野および専門職間SBEで使用するためのモデルの一般化可能性を高めるために推奨されます。
このモデルは、理論と概念に基づいて共同ワーキンググループによって開発されました。モデルの妥当性と一般化可能性を改善するために、比較研究のための強化された信頼性測定の使用が将来考慮される場合があります。
練習エラーを最小限に抑えるために、開業医は安全で適切な臨床的意思決定を確保するために効果的な臨床推論スキルを持っている必要があります。 SBE RLCをデブリーフィングテクニックとして使用すると、臨床的推論を開発するために必要な知識と実践的スキルの開発が促進されます。ただし、以前の経験と曝露、能力の変化、情報の量と流れの変化、およびシミュレーションシナリオの複雑さに関連する臨床推論の多次元性の性質は、シミュレーション後のRLCモデルを開発することの重要性を強調しています。効果的に実装されています。スキル。これらの要因を無視すると、臨床的臨床の推論が不足している可能性があります。 RLCモデルは、グループシミュレーション活動に参加する際に臨床的推論を最適化するためにこれらの要因に対処するために開発されました。この目標を達成するために、モデルは同時に、Plus/Minusの評価調査とBloomの分類法の使用を統合します。
現在の調査中に使用および/または分析されたデータセットは、合理的なリクエストで対応する著者から入手できます。
Daniel M、Rencic J、Durning SJ、Holmbo E、Santen SA、Lang W、Ratcliffe T、Gordon D、Heist B、Lubarski S、Estrada KA。臨床的推論を評価する方法：レビューと練習の推奨事項。アカデミーオブメディカルサイエンス。 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. ：スコーピングレビュー。 BMC医学教育。 2020; 20（1）：1–1。
ゲレロJG。看護実践推論モデル：看護における臨床推論、意思決定、判断の芸術と科学。看護師の日記を開きます。 2019; 9（2）：79–88。
Almomani E、Alraouch T、Saada O、Al Nsour A、Kamble M、Samuel J、Atallah K、Mustafa E.クリティカルケアの臨床学習および教育方法としての反射学習対話。カタール医学雑誌。 2020; 2019; 1（1）：64。
MAMED S.、van Gogh T.、Sampaio AM、De Faria RM、Maria JP、Schmidt HG学生の診断スキルは、臨床症例での実践からどのように恩恵を受けますか？同じ障害と新しい障害の将来の診断に対する構造化された反射の影響。アカデミーオブメディカルサイエンス。 2014; 89（1）：121–7。
Tutticci N、Theobald KA、Ramsbotham J、Johnston S.シミュレーションにおけるオブザーバーの役割と臨床的推論の探索：スコーピングレビュー。看護師教育実践2022年1月20日：103301。
エドワーズI、ジョーンズM、カーJ、ブラウナックマイヤーA、ジェンセンGM。理学療法における臨床推論戦略。理学療法。 2004; 84（4）：312–30。
Kuiper R、Pesut D、Kautz D.医学生における臨床推論スキルの自己規制の促進。 Open Journal Nurse 2009; 3：76。
Levett-Jones T、Hoffman K、Dempsey J、Jeon SY、Noble D、Norton KA、Roche J、Hickey N.リスク患者。今日の看護教育。 2010; 30（6）：515–20。
Brentnall J、Thackray D、Judd B.配置およびシミュレーション設定における医学生の臨床的推論の評価：系統的レビュー。環境研究の国際ジャーナル、公衆衛生。 2022; 19（2）：936。
Chamberlain D、Pollock W、Fulbrook P. ACCCN救命救急看護の基準：系統的レビュー、証拠開発、評価。緊急オーストラリア。 2018; 31（5）：292–302。
Cunha LD、Pestana-Santos M、Lomba L、Reis Santos M.麻酔後ケアの臨床推論の不確実性：複雑な医療環境における不確実性のモデルに基づく統合レビュー。 J周術期看護師。 2022; 35（2）：E32–40。
Rivaz M、Tavakolinia M、Momennasab M.クリティカルケア看護師の専門的実践環境と看護成果との関連：構造方程式モデリング研究。 Scand J Caring Sci。 2021; 35（2）：609–15。
Suvardianto H、Astuti VV、能力。看護およびクリティカルケアの実践救命救急室（JSCC）の学生看護師のためのジャーナル交換。 Strada Magazine Ilmia Kesehatan。 2020; 9（2）：686–93。
Liev B、Dejen Tilahun A、Kasyu T.知識、態度、集中治療室の看護師の物理的評価に関連する要因：多施設横断研究。クリティカルケアの研究慣行。 2020; 9145105。
Sullivan J.、Hugill K.、A。LraushTA、Mathias J.、Alkhetimi Mo Pilotの実装中東の国の文化的文脈における看護師と助産師向けのコンピテンシーフレームワークの実装。看護師教育の実践。 2021; 51：102969。
王MS、トールE、ハドソンJN。スクリプトの一貫性テストでの応答プロセスの妥当性のテスト：Think-Aloudアプローチ。 International Journal of Medical Education。 2020; 11：127。
Kang H、Kang HY。臨床推論スキル、臨床能力、教育満足度に対するシミュレーション教育の影響。 J Koreaアカデミックおよび産業協力協会。 2020; 21（8）：107–14。
Diekmann P、Thorgeirsen K、Kvindesland SA、Thomas L、Bushell W、Langley Ersdal H.高度なモデリング。 2020; 5（1）：1–0。
Liose L、Lopreiato J、Founder D、Chang TP、Robertson JM、Anderson M、Diaz DA、スペインAE、編集者。 （アソシエイトエディター）および用語と概念ワーキンググループ、ヘルスケアモデリングの辞書 - 第2版。メリーランド州ロックビル：ヘルスケアの研究と品質の代理店。 2020年1月：20-0019。
Brooks A、Brachman S、Capralos B、Nakajima A、Tyerman J、Jain L、Salvetti F、Gardner R、Minehart R、Bertagni B.ヘルスケアシミュレーションのための拡張現実。包括的幸福のための仮想患者技術の最新の進歩。ゲーミフィケーションとシミュレーション。 2020; 196：103–40。
Alamrani MH、Alammal KA、Alqahtani SS、Salem OA看護学生の批判的思考スキルと自信に対するシミュレーションと従来の教育方法の効果の比較。 J看護研究センター。 2018; 26（3）：152–7。
Kiernan LKは、シミュレーション技術を使用した能力と自信を評価します。ケア。 2018; 48（10）：45。
投稿時間：1月-08-2024