医療従事者は、適切かつ安全な臨床判断を下し、医療過誤を回避するために、効果的な臨床推論スキルを身につける必要があります。臨床推論スキルが不十分だと、特に集中治療室や救急部門では、患者の安全が損なわれ、ケアや治療が遅れる可能性があります。シミュレーションベースのトレーニングでは、シミュレーション後の振り返り学習対話をデブリーフィング方法として用い、患者の安全を維持しながら臨床推論スキルを育成します。しかし、臨床推論は多次元的な性質を持ち、認知過負荷のリスクがあり、上級者と下級者では分析的（仮説演繹的）および非分析的（直観的）な臨床推論プロセスを使い分けるため、シミュレーション後のグループでの振り返り学習対話をデブリーフィング方法として用いることで臨床推論を最適化するには、経験、能力、情報の流れと量に関連する要因、症例の複雑さを考慮することが重要です。本稿では、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した、シミュレーション後の振り返り学習対話モデルの開発について説明します。
医師、看護師、研究者、教育者、患者代表者からなる共同設計ワーキンググループ（N = 18）は、連続するワークショップを通じて協力し、シミュレーション後の振り返り学習対話モデルを共同開発し、シミュレーションの振り返りを行った。共同設計ワーキンググループは、理論的・概念的なプロセスと多段階のピアレビューを通じてモデルを開発した。プラス／マイナス評価研究とブルームの分類法を並行して統合することで、シミュレーション参加者の臨床推論能力がシミュレーション活動中に最適化されると考えられている。モデルの表面妥当性と内容妥当性を確立するために、内容妥当性指数（CVI）と内容妥当性比（CVR）法が用いられた。
シミュレーション後の振り返り学習対話モデルが開発され、検証された。このモデルは、具体的な事例とスクリプト作成のガイダンスによって裏付けられている。モデルの表面妥当性と内容妥当性が評価され、確認された。
この新しい共同設計モデルは、様々なモデリング参加者のスキルと能力、情報の流れと量、そしてモデリング事例の複雑さを考慮して作成されました。これらの要素は、グループシミュレーション活動に参加する際の臨床推論を最適化すると考えられています。
臨床推論は、医療における臨床実践の基盤[1, 2]であり、臨床能力の重要な要素[1, 3, 4]であると考えられています。これは、医療従事者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、実施するために使用する内省的なプロセスです[5, 6]。臨床推論は、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、代替行動方針の価値を決定するために、形式的および非形式的な思考戦略を使用する複雑な認知プロセスとして説明されています[7, 8]。それは、適切な患者に対して、適切なタイミングで、適切な理由で適切な行動をとるために、手がかりを集め、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]。
すべての医療従事者は、不確実性の高い状況下で複雑な意思決定を行う必要性に直面しています[11]。集中治療や救急医療の現場では、命を救い患者の安全を確保するために、迅速な対応と介入が不可欠な臨床状況や緊急事態が発生します[12]。集中治療の現場での臨床推論スキルと能力が低いと、臨床エラーの発生率が高くなり、ケアや治療の遅延[13]や患者の安全に対するリスクが高まります[14,15,16]。実際的なエラーを避けるためには、医療従事者は安全かつ適切な意思決定を行うために、有能で効果的な臨床推論スキルを備えている必要があります[16, 17, 18]。非分析的（直感的）推論プロセスは、専門の医療従事者が好む迅速なプロセスです。対照的に、分析的（仮説演繹的）推論プロセスは、本質的に遅く、より慎重で、経験の浅い医療従事者がより頻繁に使用します[2, 19, 20]。医療現場の複雑さと医療過誤の潜在的なリスクを考慮すると[14,15,16]、シミュレーションベース教育（SBE）は、医療従事者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。安全な環境で、患者の安全を維持しながら、さまざまな困難な症例に触れることができます[21, 22, 23, 24]。
医療シミュレーション学会（SSH）は、シミュレーションを「人間のシステムや行動の練習、訓練、評価、テスト、理解を得る目的で、現実の出来事の表現を人々が体験する状況や環境を作り出す技術」と定義しています。[23] よく構成されたシミュレーションセッションでは、参加者は安全リスクを軽減しながら臨床状況をシミュレートするシナリオに没頭し[24,25]、的を絞った学習機会を通じて臨床推論を練習することができます[21,24,26,27,28]。SBEは現場での臨床経験を強化し、学生が実際の患者ケアの現場では経験していない可能性のある臨床経験に触れる機会を与えます[24, 29]。これは、脅威がなく、非難がなく、監督され、安全で、リスクの低い学習環境です。知識、臨床スキル、能力、批判的思考、臨床推論の発達を促進し[22,29,30,31]、医療従事者が状況の感情的ストレスを克服し、学習能力を向上させるのに役立ちます[22, 27, 28]。 、30、32]。
SBE を通じて臨床推論と意思決定スキルを効果的に開発するためには、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、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省的学習会話 (RLC) は、参加者が振り返り、行動を説明し、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 シンクの力を活用するのに役立つデブリーフィング テクニック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経験レベルに関連して、臨床推論が十分に発達しない潜在的なリスクを伴います。デュアル プロセス モデルは、臨床推論の多次元的な性質と、上級実践者が分析的 (仮説演繹的) 推論プロセスを使用する傾向と、下級実践者が非分析的 (直観的) 推論プロセスを使用する傾向の違いを説明しています [34, 37]。これらの二重の推論プロセスには、さまざまな状況に最適な推論プロセスを適応させるという課題が伴い、同じモデリンググループに上級者と下級者がいる場合に、分析的方法と非分析的方法を効果的に使用する方法は不明確で議論の余地がある。さまざまな能力と経験レベルの高校生と中学生が、さまざまな複雑さのシミュレーションシナリオに参加する[34、37]。臨床推論の多次元性は、特に医療従事者がさまざまな症例の複雑さと経験レベルのグループSBEに参加する場合、臨床推論の発達不足と認知過負荷の潜在的なリスクに関連している[38]。RLCを使用したデブリーフィングモデルは多数あるが、経験、能力、情報の流れと量、モデリングの複雑さの要因を考慮して、臨床推論スキルの開発に特化して設計されたモデルはないことに注意することが重要である[38]。 、39]。これらすべてを実現するには、シミュレーション後のRLCを報告方法として組み込みながら、臨床推論を最適化するためにさまざまな貢献要因と影響要因を考慮した構造化モデルの開発が必要です。本稿では、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かつ概念的な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、幅広い促進要因と影響要因を考慮したモデルを開発し、最適な臨床推論能力の発達を実現しました。
RLC シミュレーション後モデルは、臨床推論、内省的学習、教育、シミュレーションの既存のモデルと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 人の集中治療室看護師、1 人の集中治療医、およびさまざまなレベル、経験、性別の以前に入院した患者の代表者 3 人からなる共同作業グループ (N = 18) が結成されました。1 つの集中治療室、2 人の研究助手、および 2 人の上級看護教育者。この共同設計イノベーションは、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、医療における実世界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ています [40,41,42]。共同設計プロセスに患者代表者を含めることで、プログラムの最終目標が患者のケアと安全性を向上させることであるため、プロセスにさらに価値を加えることができます [43]。
ワーキンググループは、モデルの構造、プロセス、および内容を開発するために、2～4時間のワークショップを6回実施しました。ワークショップには、ディスカッション、実践、およびシミュレーションが含まれます。モデルの要素は、さまざまなエビデンスベースのリソース、モデル、理論、および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]、デュアルループコンセプト[37]、臨床推論ループ[10]、アプレシエイティブ インクワイアリー（AI）メソッド[45]、およびレポートプラス/デルタメソッド[46]が含まれます。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[36]に基づいて共同で開発され、自己説明的なモデルを作成するために作業例と組み合わされました。モデルは、シミュレーション後の内省的学習対話の準備、内省的学習対話の開始、分析/内省、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）。各段階の詳細は以下で説明します。
モデルの準備段階は、参加者が次の段階に向けて心理的に準備し、心理的安全性を確保しながら積極的な参加と投資を増やすように設計されています [36, 47]。この段階には、目的と目標の紹介、RLC の予想期間、RLC 中のファシリテーターと参加者の期待、サイトのオリエンテーションとシミュレーションの設定、学習環境における機密性の確保、心理的安全性の向上と強化が含まれます。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検討されました。参加者 7: 「プライマリーケアの看護師として、シナリオのコンテキストなしで高齢者がいるシミュレーションに参加している場合、心理的安全性が尊重されていると感じない限り、シミュレーション後の会話への参加は避けるでしょう。また、シミュレーション後の会話への参加も避けるでしょう。「保護されれば、何の不利益もありません。」参加者 4: 「集中して早い段階で基本ルールを確立することが、シミュレーション後の学習者に役立つと思います。内省的な学習会話への積極的な参加。」
RLC モデルの初期段階では、参加者の感情を探り、根底にあるプロセスを記述し、シナリオを診断し、参加者の肯定的および否定的経験をリストアップしますが、分析は行いません。この段階のモデルは、候補者が自己指向的かつタスク指向的であること、および詳細な分析と詳細な考察に向けて精神的に準備することを促すために作成されています [24, 36]。目標は、特にモデリングのトピックに不慣れで、そのスキル/トピックに関する臨床経験がない人 [49] の認知過負荷のリスクを軽減することです [48]。参加者にシミュレーションされたケースを簡単に説明し、診断の推奨事項を提示するように求めることで、ファシリテーターは、拡張された分析/考察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確認できます。さらに、この段階で参加者にシミュレーションされたシナリオでの感情を共有するように促すことで、状況の感情的ストレスを克服し、学習効果を高めることができます [24, 36]。感情的な問題に対処することで、RLC ファシリテーターは参加者の感情が個人および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、これは振り返り/分析フェーズで批判的に議論することができます。プラス/デルタ法は、振り返り/分析フェーズの準備的かつ決定的なステップとして、このモデルのフェーズに組み込まれています [46]。プラス/デルタアプローチを使用すると、参加者と学生はシミュレーションの観察、感情、経験を処理/リスト化することができ、その後、モデルの振り返り/分析フェーズでポイントごとに議論することができます [46]。これにより、参加者は、臨床推論を最適化するためのターゲットを絞った優先順位付けされた学習機会を通じてメタ認知状態を達成することができます [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 モデルの初期開発中に検討されました。参加者2：「以前ICUに入院した患者として、シミュレーションに参加する学生の気持ちや感情を考慮する必要があると思います。入院中に、特に集中治療の医療従事者の間で高いレベルのストレスや不安を目の当たりにしたため、この問題を提起します。緊急事態です。このモデルは、シミュレーション体験に伴うストレスや感情を考慮に入れる必要があります。」参加者16：「教師として、学生がシミュレーションシナリオ中に遭遇した良い点やニーズ、改善すべき点について言及することで積極的に参加するように促すために、プラス/デルタアプローチを使用することが非常に重要だと考えています。」
モデルの前の段階も重要ですが、臨床推論の最適化を達成するには分析/反省段階が最も重要です。これは、臨床経験、能力、モデル化されたトピックの影響、RLC プロセスと構造、認知過負荷を避けるために提供される情報の量、反省的質問の効果的な使用、学習者中心のアクティブラーニングを達成するための方法に基づいて、高度な分析/統合と詳細な分析を提供するように設計されています。この時点で、臨床経験とシミュレーション トピックへの精通度は、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: 臨床専門経験なし/シミュレーション トピックへの以前の接触なし、2: 臨床専門経験、知識とスキル/モデリング トピックへの以前の接触なし。3: 臨床専門経験、知識とスキル。専門的/モデリング トピックへの以前の接触。この分類は、同じグループ内のさまざまな経験と能力レベルの人々のニーズに対応するために行われ、それによって、経験の少ない実践者が分析的推論を使用する傾向と、経験豊富な実践者が非分析的推論スキルを使用する傾向のバランスをとります [19, 20, 34]。 、37]。RLCプロセスは、臨床推論サイクル[10]、内省的モデリングフレームワーク[47]、および経験学習理論[50]を中心に構成されています。これは、解釈、識別、コミュニケーション、推論、および統合という多数のプロセスを通じて達成されます。
認知過負荷を避けるため、学習者中心で内省的な発話プロセスを促進し、参加者が内省、分析、統合して自信を獲得するための十分な時間と機会を与えることが検討されました。RLC 中の認知プロセスは、ダブルループフレームワーク [37] と認知負荷理論 [48] に基づく統合、確認、形成、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内省のための十分な時間を与えることで、特に参加者の事前の経験、露出、能力レベルが異なる複雑なシミュレーションにおいて、認知負荷の潜在的なリスクが軽減されます。シーンの後。モデルの内省的な質問テクニックは、ブルームの分類モデル [51] とアプレシエイティブ インクワイアリー (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は、段階的、ソクラテス的、内省的な方法で主題にアプローチします。知識ベースの質問から始めて質問をし、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、認知過負荷のリスクを軽減しながら、参加者の積極的な参加と進歩的な思考を促すことで、臨床推論の最適化を向上させます。 RLC モデル開発の分析/考察フェーズでは、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検討されました。 参加者 13: 「認知過負荷を避けるためには、シミュレーション後の学習会話を行う際に、情報の量と流れを考慮する必要があります。そのためには、学生に十分な時間を与えて振り返り、基本から始めることが重要だと思います。知識。会話とスキルを開始し、その後、メタ認知を達成するために、より高いレベルの知識とスキルに進みます。」 参加者 9: 「私は、アプレシエイティブ インクワイアリー (AI) テクニックを使用した質問方法とブルームの分類法モデルを使用した反省的質問が、認知過負荷のリスクの可能性を減らしながら、アクティブラーニング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、学習目標が達成されていることを確認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、実践に移る際に考慮すべき最も重要な概念と重要な側面について合意することが非常に重要です。」
倫理的承認は、プロトコル番号 (MRC-01-22-117) および (HSK/PGR/UH/04728) の下で取得されました。モデルの使いやすさと実用性を評価するために、3 つの専門集中治療シミュレーション コースでモデルがテストされました。モデルの表面妥当性は、外観、文法、およびプロセスに関連する問題を修正するために、共同設計ワーキング グループ (N = 18) と教育ディレクター (N = 6) を務める教育専門家によって評価されました。表面妥当性の後、内容妥当性は、米国看護師資格認定センター (ANCC) によって認定され、教育プランナーを務めた上級看護教育者 (N = 6) と、10 年以上の教育および指導経験を持つ (N = 6) によって決定されました。職務経験評価は、教育ディレクター (N = 6) によって実施されました。モデリング経験。内容妥当性は、内容妥当性比 (CVR) および内容妥当性指数 (CVI) を使用して決定されました。 CVI の推定には Lawshe 法 [52] が、CVR の推定には Waltz と Bausell 法 [53] が使用されました。CVR プロジェクトは必要かつ有用ですが、必須またはオプションではありません。CVI は、関連性、単純さ、明瞭さに基づいて 4 点スケールで採点され、1 = 関連性なし、2 = やや関連性あり、3 = 関連性あり、4 = 非常に関連性ありとなります。表面妥当性と内容妥当性を検証した後、実践的なワークショップに加えて、モデルを使用する教師向けの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。
作業グループは、集中治療室でのSBEへの参加中に臨床推論スキルを最適化するためのシミュレーション後RLCモデルを開発およびテストすることができました（図1、2、3）。CVR = 1.00、CVI = 1.00であり、適切な表面妥当性と内容妥当性を反映しています[52、53]。
このモデルはグループSBE用に作成され、同じまたは異なるレベルの経験、知識、および勤続年数の参加者に対して、刺激的でやりがいのあるシナリオが使用されます。RLC概念モデルはINACSL飛行シミュレーション分析基準[36]に従って開発され、学習者中心で自己説明的であり、作業例（図1、2、3）が含まれています。このモデルは、モデリング基準を満たすために意図的に開発され、4つの段階に分けられています。ブリーフィングから始まり、反省的分析/統合に続き、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調和要因の影響はこれまで研究されていませんでした[38]。シミュレーション実践におけるダブルループと認知過負荷理論の実践的概念を考慮すると[34, 37]、同じシミュレーショングループ内で参加者の経験と能力レベルが異なるグループSBEに参加することは課題であると考えることが重要です。高校生と中学生の両方による情報量、学習の流れと構造の無視、および速い認知プロセスと遅い認知プロセスの同時使用は、認知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、未発達および/または最適ではない臨床推論を避けるためにRLCモデルを開発する際に考慮されました[18, 38]。異なるレベルの年功序列と能力でRLCを実施すると、年長の参加者の間で支配効果が生じることを考慮することが重要です。これは、上級の参加者が基本的な概念の学習を避ける傾向があるためであり、これは若い参加者がメタ認知を達成し、より高次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、肯定的な問いかけとデルタアプローチを通して、上級看護師と下級看護師を巻き込むように設計されています[45, 46, 51]。これらの方法を用いることで、能力や経験レベルが異なる上級者と下級者の参加者の意見が項目ごとに提示され、デブリーフィングのモデレーターと共同モデレーターによって内省的に議論されます[45, 51]。シミュレーション参加者の意見に加えて、デブリーフィングのファシリテーターが意見を追加することで、すべての集合的な観察が各学習の瞬間を包括的に網羅し、それによってメタ認知が強化され、臨床推論が最適化されます[10]。
RLCモデルを用いた情報フローと学習構造は、体系的かつ多段階のプロセスを通じて扱われます。これは、デブリーフィングの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明確かつ自信を持って発言できるようにするためです。モデレーターは、すべての参加者が参加する振り返りの議論を開始し、さまざまな経験と能力レベルの参加者が次の段階に進む前に各議論のポイントに関するベストプラクティスに合意できる地点に到達できます[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/観察を共有し、経験や能力の低い参加者の貢献/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取り、上級者と下級者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、評価調査と加算/デルタ法を組み合わせたブルームの分類モデルを使用して、モデル調査方法論が意図的に開発されました[45、46、51]。これらのテクニックを使用し、中心となる質問/振り返りの議論に関する知識と理解から始めることで、経験の浅い参加者が議論に参加し、積極的に参加するよう促します。その後、ファシリテーターは、質問/議論の評価と統合のより高いレベルに徐々に移行します。このレベルでは、両者が、これまでの経験と臨床スキルまたはシミュレーションシナリオの経験に基づいて、上級者と下級者の参加者が平等に参加する機会を得ます。このアプローチは、経験の浅い参加者が積極的に参加し、経験豊富な参加者が共有する経験や、デブリーフィングファシリテーターの意見から恩恵を受けるのに役立ちます。一方、このモデルは、参加者の能力と経験レベルが異なるSBEだけでなく、経験と能力レベルが類似しているSBEグループの参加者にも適しています。このモデルは、学習目標を達成するために、知識と理解に焦点を当てることから統合と評価に焦点を当てることへと、グループがスムーズかつ体系的に移行することを促進するように設計されています。モデルの構造とプロセスは、能力と経験レベルが異なるグループと同等のグループの両方に合うように設計されています。
さらに、医療現場におけるSBEはRLCと組み合わせて、医療従事者の臨床推論と能力の開発に用いられているが[22,30,38]、特に参加者がSBEシナリオで、即時介入と重要な意思決定を必要とする非常に複雑で重篤な患者をシミュレートする場合[2,18,37,38,47,48]、症例の複雑さや認知過負荷の潜在的なリスクに関連する関連要因を考慮に入れなければならない。この目的のために、経験豊富な参加者と経験の浅い参加者の両方がSBEに参加する際に分析的推論システムと非分析的推論システムを同時に切り替える傾向があることを考慮に入れ、年長の学生と年少の学生の両方が学習プロセスに積極的に参加できるようなエビデンスに基づいたアプローチを確立することが重要である。したがって、提示されたシミュレートされた症例の複雑さに関係なく、ファシリテーターは、まず年長の参加者と年少の参加者の両方の知識と背景理解の側面を網羅し、次に分析、統合、理解、評価の側面を促進するために段階的かつ内省的に発展させる必要があるようにモデルが設計された。これは、年少の生徒がこれまでに学んだことを定着させ、年長の生徒が新しい知識を統合・発展させるのに役立ちます。また、各参加者のこれまでの経験や能力を考慮した推論プロセスの要件を満たし、高校生や中学生が分析的推論システムと非分析的推論システムを同時に行き来する傾向に対応できる一般的な形式を採用することで、臨床推論の最適化を確実にします。
さらに、シミュレーションのファシリテーター/デブリーファーは、シミュレーションのデブリーフィングスキルを習得するのが難しい場合があります。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ない場合と比較して、ファシリテーターの知識獲得と行動スキルを向上させるのに効果的であると考えられています[54]。シナリオは、教師のモデリング作業を促進し、特にデブリーフィングの経験をまだ固めている教師の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]。ユーザビリティを向上させ、ユーザーフレンドリーなモデルを開発します。（図2および図3）。
プラス/デルタ法、評価調査、ブルームの分類法調査といった手法を並行して統合することは、現在利用可能なシミュレーション分析やガイド付きリフレクションモデルではまだ実現されていません。これらの手法を統合することで、RLCモデルの革新性が際立ちます。RLCモデルでは、これらの手法が単一のフォーマットに統合され、臨床推論と学習者中心性の最適化が図られます。医学教育者は、RLCモデルを用いてグループSBEをモデル化することで、参加者の臨床推論能力を向上させ、最適化できる可能性があります。このモデルのシナリオは、教育者がリフレクティブ・デブリーフィングのプロセスを習得し、自信を持って有能なデブリーフィング・ファシリテーターとなるためのスキルを強化するのに役立ちます。
SBEには、マネキンを用いたSBE、タスクシミュレーター、患者シミュレーター、標準化患者、仮想現実、拡張現実など、さまざまな形態や手法が含まれます。報告は重要なモデリング基準の一つであることから、これらの手法を用いる際には、シミュレーションされたRLCモデルを報告モデルとして活用できます。さらに、このモデルは看護分野向けに開発されたものですが、多職種連携医療SBEにも応用できる可能性があり、多職種連携教育におけるRLCモデルの有効性を検証するための今後の研究が求められます。
SBE集中治療室における看護ケアのための、シミュレーション後のRLCモデルの開発と評価。他の医療分野や多職種連携SBEでのモデルの汎用性を高めるため、今後のモデル評価・検証が推奨される。
このモデルは、理論と概念に基づき、合同作業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向上させるため、将来的には比較研究における信頼性指標の強化が検討される可能性があります。
実践エラーを最小限に抑えるには、医療従事者は安全かつ適切な臨床意思決定を確実に行うために効果的な臨床推論スキルを身につける必要があります。SBE RLC をデブリーフィング手法として使用すると、臨床推論を発達させるために必要な知識と実践的スキルの発達が促進されます。しかし、臨床推論の多次元的な性質は、過去の経験と経験、能力の変化、情報の量と流れ、シミュレーションシナリオの複雑さに関連しており、臨床推論を能動的かつ効果的に実装できる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。これらの要因を無視すると、未発達で最適ではない臨床推論につなが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、モデルはプラス/マイナス評価の質問とブルームの分類法の使用を同時に統合しています。
本研究で使用および／または分析されたデータセットは、合理的な要請があれば、責任著者から入手可能です。
Daniel M、Rencic J、Durning SJ、Holmbo E、Santen SA、Lang W、Ratcliffe T、Gordon D、Heist B、Lubarski S、Estrada KA. 臨床推論を評価する方法：レビューと実践に関する推奨事項。Academy of Medical Sciences. 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. 医療専門職間の臨床推論に関する文献比較：スコーピングレビュー。BMC Medical Education. 2020;20(1):1–1.
Guerrero 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。Open the nurse's journal. 2019;9(2):79–88.
Almomani E、Alraouch T、Saada O、Al Nsour A、Kamble M、Samuel J、Atallah K、Mustafa E. 救命救急における臨床学習および指導方法としての反射学習対話。カタール医学ジャーナル。 2020;2019;1(1):64。
Mamed S.、Van Gogh T.、Sampaio AM、de Faria RM、Maria JP、Schmidt HG 臨床症例の練習は学生の診断スキルにどのように役立つのか？構造化された振り返りが、同じ疾患および新しい疾患の将来の診断に及ぼす影響。Academy of Medical Sciences. 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観察者の役割と臨床推論の探求：スコーピングレビュー。Nurse Education Practice 2022年1月20日：103301。
Edwards I、Jones M、Carr J、Braunack-Meyer A、Jensen 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. 医学生の臨床推論スキルの自己調整を促進する。Open Journal Nurse 2009;3:76.
Levett-Jones T、Hoffman K、Dempsey J、Jeon SY、Noble D、Norton KA、Roche J、Hickey N. 臨床推論の「5つの権利」：リスクのある患者を特定し管理する看護学生の臨床能力を向上させるための教育モデル。Nursing education today. 2010;30(6):515–20.
Brentnall J、Thackray D、Judd B. 臨床実習およびシミュレーション環境における医学生の臨床推論の評価：系統的レビュー。International Journal of Environmental Research, Public Health. 2022;19(2):936.
Chamberlain D、Pollock W、Fulbrook P. 集中治療看護に関するACCCN基準：系統的レビュー、エビデンス開発および評価。Emergency Australia. 2018;31(5):292–302.
Cunha LD、Pestana-Santos M、Lomba L、Reis Santos M. 麻酔後ケアにおける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的レビュー。J Perioperative Nurse. 2022;35(2):e32–40.
Rivaz M、Tavakolinia M、Momennasab M. 集中治療室看護師の専門的実践環境と看護成果との関連性：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。集中治療室の看護学生のための看護および集中治療実践ジャーナル交換（JSCC）」。STRADA MAGAZINE Ilmia Kesehatan。2020;9(2):686–93。
Liev B、Dejen Tilahun A、Kasyu T. 集中治療室看護師の身体診察に関する知識、態度、および関連要因：多施設横断研究。Research practice in critical care. 2020;9145105.
Sullivan J.、Hugill K.、A. Elraush TA、Mathias J.、Alkhetimi MO 中東の国の文化的背景における看護師と助産師のための能力フレームワークのパイロット実施。看護教育実践。2021;51:102969。
Wang MS、Thor E、Hudson JN。スクリプト一貫性テストにおける応答プロセスの妥当性の検証：思考発話法。International Journal of Medical Education。2020;11:127。
Kang H, Kang HY. シミュレーション教育が臨床推論スキル、臨床能力、教育満足度に及ぼす影響. 韓国産学協力協会誌. 2020;21(8):107–14.
Diekmann P、Thorgeirsen K、Kvindesland SA、Thomas L、Bushell W、Langley Ersdal H. COVID-19などの感染症発生への対応を準備および改善するためのモデリングの使用：ノルウェー、デンマーク、および英国からの実践的なヒントとリソース。Advanced modeling. 2020;5(1):1–0.
Liose L、Lopreiato J、Founder D、Chang TP、Robertson JM、Anderson M、Diaz DA、Spain AE 編 (副編集) 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辞典 – 第 2 版』。メリーランド州ロックビル: 医療研究品質庁。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. 医療シミュレーションのための拡張現実。包括的なウェルビーイング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己肯定感に対するシミュレーションと従来型の教育方法の効果の比較。看護研究センター誌。2018;26(3):152–7。
Kiernan LK シミュレーション技術を用いた能力と自信の評価。Care. 2018;48(10):45.
投稿日時：2024年1月8日