医師は、適切かつ安全な臨床上の意思決定を行い、実践上の誤りを回避するために、効果的な臨床推論スキルを備えていなければなりません。臨床推論スキルが十分に発達していないと、特に集中治療室や救急部門において、患者の安全性が損なわれ、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、患者の安全を維持しながら臨床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、シミュレーション後の反省学習型会話を使用します。ただし、臨床推論の多次元的な性質、認知過負荷の潜在的なリスク、および上級シミュレーション参加者と初級シミュレーション参加者による分析的 (仮説演繹的) 臨床推論プロセスと非分析的 (直観的) 臨床推論プロセスの使い分けのため、次のことが重要です。経験、能力、情報の流れと量に関連する要素、症例の複雑さを考慮し、報告方法としてシミュレーション後にグループ内省学習の会話を行うことで臨床推論を最適化します。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した、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、患者代表で構成される共同設計ワーキング グループ (N = 18) は、連続したワークショップを通じて協力して、シミュレーションを報告するための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段階のピア レビューを通じてモデルを開発しました。プラス/マイナス評価研究とブルーム分類法を並行して統合することにより、シミュレーション活動に参加する際のシミュレーション参加者の臨床推論が最適化されると考えられています。コンテンツ有効性インデックス (CVI) およびコンテンツ有効性比 (CVR) メソッドを使用して、モデルの表面の有効性とコンテンツの有効性を確立しました。
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、実際に動作するサンプルとスクリプトのガイダンスによってサポートされています。モデルの表面と内容の妥当性が評価され、確認されました。
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、情報の流れと量、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礎であり [1、2]、臨床能力の重要な要素であると考えられています [1、3、4]。これは、医師が遭遇するそれぞれの臨床状況に対して最も適切な介入を特定し、実行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]。適切な時期に適切な理由で適切な患者に対して適切な行動を取れるかどうかは、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かかっています[9、10]。
すべての医療提供者は、不確実性の高い状況で複雑な意思決定を行う必要性に直面しています [11]。救命救急および救急医療の実践では、命を救い、患者の安全を確保するために即時の対応と介入が重要となる臨床状況や緊急事態が発生します[12]。クリティカルケア実践における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、ケアや治療が遅れたり[13]、患者の安全に対するリスクが生じたりする[14、15、16]。実際的な間違いを避けるために、実践者は有能で、安全で適切な決定を下すための効果的な臨床推論スキルを持っていなければなりません[16、17、18]。非分析的 (直観的) 推論プロセスは、専門家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時間がかかり、より慎重であり、経験の浅い実践者によって使用されることが多くなります [2、19、20]。医療の臨床環境の複雑さと実践ミスの潜在的なリスクを考慮して[14、15、16]、シミュレーションベースの教育（SBE）は、実践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。患者の安全を維持しながら、安全な環境とさまざまな困難な症例にさらされる[21、22、23、24]。
Society for Simulation in Health (SSH) は、シミュレーションを「実践、トレーニング、評価、テスト、または人間のシステムやシステムについての理解を得るために、人々が現実の出来事の表現を体験する状況や環境を作り出すテクノロジー」と定義しています。行動。"[23] 適切に構成されたシミュレーション セッションは、参加者に、安全性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する機会を提供し [24,25]、的を絞った学習機会を通じて臨床推論を実践する機会を提供します [21,24,26,27,28]。 SBE は現場での臨床経験を強化し、学生を実際の患者ケアの現場では経験したことのない臨床経験にさらします [24、29]。これは、脅迫的ではなく、非難されることのない、監視された、安全でリスクの低い学習環境です。それは、知識、臨床スキル、能力、批判的思考、および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するのに役立ち、それによって学習能力を向上させることができます[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報告プロセスの設計、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、チームワークの文脈でピアサポートとグループ思考の力を活用するのを助けるための報告テクニックとして使用されました [32、33、36]。グループ RLC の使用には、特に参加者の能力や年功レベルの違いに関連して、臨床推論が未発達になる潜在的なリスクが伴います。二重プロセスモデルは、臨床推論の多次元の性質と、分析的（仮説演繹的）推論プロセスを使用する上級臨床医と非分析的（直観的）推論プロセスを使用する若手臨床医の傾向の違いを説明しています[34、37]。]。これらの二重推論プロセスには、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ますが、同じモデリング グループに先輩と後輩の参加者がいる場合に、分析手法と非分析手法を効果的に使用する方法は不明確であり、議論の余地があります。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 シナリオに参加します [34、37]。臨床推論の多次元的な性質は、特に実務家が症例の複雑さや年功レベルが異なるグループSBEに参加する場合、臨床推論の未発達や認知過負荷の潜在的なリスクと関連している[38]。RLC を使用したデブリーフィング モデルは数多くありますが、これらのモデルはどれも、経験、能力、情報の流れと量、複雑さ要因のモデリング [38]。]。、39]。これらすべてには、臨床推論を最適化するためにさまざまな寄与と影響要因を考慮し、シミュレーション後の RLC をレポート方法として組み込む構造化モデルの開発が必要です。ポストシミュレーション 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。モデルは、最適化された臨床推論の開発を達成するために、幅広い促進要因と影響要因を考慮して、SBE 参加中の臨床推論スキルを最適化するために開発されました。
RLC ポストシミュレーション モデルは、臨床推論、反省学習、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開発されました。モデルを共同開発するために、10 人の集中治療看護師、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 3 人で構成される共同作業グループ (N = 18) が形成されました。集中治療室 1 室、研究助手 2 名、上級看護教育者 2 名。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など、医療における実際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]。プログラムの最終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、共同設計プロセスに患者の代表者を含めることで、プロセスにさらに価値を加えることができます[43]。
作業グループは、モデルの構造、プロセス、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、演習、シミュレーションが含まれます。モデルの要素は、証拠に基づいたさまざまなリソース、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 ループ概念 [37]、臨床推論ループ [10]、感謝的探究 (AI) 法 [45]、およびレポート プラス/デルタ法 [46] が含まれます。このモデルは、国際看護協会の臨床およびシミュレーション教育のための INACSL 報告プロセス標準に基づいて共同開発され [36]、実践例と組み合わせて一目瞭然のモデルを作成しました。モデルは、シミュレーション後の振り返り学習対話の準備、振り返り学習対話の開始、分析/振り返り、報告会の 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、参加者を次の段階に心理的に準備させ、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、目的と目的の紹介が含まれます。RLC の予想される期間。RLC 中のファシリテーターと参加者の期待。サイトの方向性とシミュレーションのセットアップ。学習環境における機密性を確保し、心理的安全性を高めます。共同設計ワーキング グループからの次の代表的な回答は、RLC モデルの開発前段階で検討されました。参加者 7: 「プライマリケア看護師として、私がシナリオの文脈なしでシミュレーションに参加し、高齢者が同席した場合、心理的安全性が保たれていると感じない限り、シミュレーション後の会話には参加しないでしょう。尊敬される。そして、シミュレーション後の会話には参加しないようにと言いました。「守られていれば何の影響もありません。」参加者 4: 「早い段階で集中して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とって役立つと思います。振り返り学習の会話に積極的に参加してください。」
RLC モデルの初期段階には、参加者の感情の探索、根底にあるプロセスの説明とシナリオの診断、参加者のポジティブな経験とネガティブな経験のリスト化が含まれますが、分析は含まれません。この段階のモデルは、候補者が自己志向および課題志向になることを奨励し、詳細な分析と詳細な熟考に備えて精神的に準備することを目的として作成されます [24、36]。目標は、特にモデリングのトピックに慣れておらず、そのスキル/トピックに関する臨床経験のない人にとって、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について簡単に説明し、診断上の推奨事項を作成するよう依頼すると、ファシリテーターは、拡張分析/考察フェーズに進む前に、グループ内の生徒がケースの基本的かつ一般的な理解を確実に行うのに役立ちます。さらに、この段階で参加者に模擬シナリオで感情を共有してもらうと、状況の感情的ストレスを克服するのに役立ち、それによって学習が促進されます[24、36]。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な影響を与えるかを理解するのにも役立ち、これについては反省/分析フェーズで批判的に議論できます。プラス/デルタ法は、反映/分析フェーズの準備および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]。プラス/デルタアプローチを使用すると、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/リスト化することができ、モデルの反映/分析段階でポイントごとに議論することができます[46]。これは、参加者が臨床推論を最適化するための対象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のに役立ちます[24、48、49]。RLC モデルの初期開発中に、共同設計ワーキング グループからの次の代表的な回答が検討されました。参加者 2: 「以前に ICU に入院した患者として、模擬学生の気持ちや感情を考慮する必要があると思います。私がこの問題を提起したのは、入院中に、特に救急医療従事者の間で高いレベルのストレスと不安を観察したからです。そして緊急事態。このモデルでは、体験のシミュレーションに伴うストレスや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、生徒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について言及することで積極的に参加するよう奨励されるように、プラス/デルタ アプローチを使用することが非常に重要であると考えています。改善分野。"
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/反映段階が最も重要です。臨床経験、能力、モデル化されたトピックの影響に基づいて、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。RLC のプロセスと構造。認知的過負荷を避けるために提供される情報の量。振り返りの質問を効果的に使用する。学習者中心のアクティブな学習を実現するための手法。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 つの部分に分割されます。1 つ目: これまでの臨床専門職の経験なし/シミュレーション トピックへの経験なし、2 つ目: 臨床専門家の経験、知識、スキル/なし。モデリングのトピックに以前触れたこと。第三に、臨床専門家の経験、知識、スキル。専門的にモデリングのトピックに取り組んだことがある。この分類は、同じグループ内の異なる経験や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、それによって、経験の浅い実践者が分析的推論を使用する傾向と、より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と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]、リフレクティブ モデリング フレームワーク [47]、および経験的学習理論 [50] を中心に構造化されました。これは、解釈、区別、コミュニケーション、推論、総合といった多くのプロセスを通じて達成されます。
認知的過負荷を避けるために、参加者が自信を獲得するために熟考、分析、総合するための十分な時間と機会を設けて、学習者中心の反省的なスピーキングプロセスを促進することが検討されました。RLC 中の認知プロセスは、二重ループ フレームワーク [37] と認知負荷理論 [48] に基づいた統合、確認、形成、統合プロセスを通じて対処されます。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、構造化された対話プロセスを用意し、熟考するのに十分な時間を確保することで、特に参加者の以前の経験、曝露、能力レベルが異なる複雑なシミュレーションにおいて、認知的負荷の潜在的なリスクが軽減されます。シーンの後。このモデルの反省的質問テクニックは、ブルームの分類モデル [51] と感謝的探究 (AI) 手法 [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にソクラテス的かつ反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進することにより、臨床推論の最適化を向上させます。共同設計ワーキング グループからの次の代表的な回答は、RLC モデル開発の分析/反映フェーズ中に検討されました。参加者 13: 「認知過負荷を避けるために、シミュレーション後の学習会話に取り組む際には、情報の量と流れを考慮する必要があります。これを行うには、生徒にじっくり考えて基礎から始める十分な時間を与え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移行します。」参加者 9: 「感謝の探求 (AI) テクニックを使用した質問方法と、ブルームの分類モデルを使用した内省的質問は、認知過負荷のリスクの可能性を軽減しながら、能動的な学習と学習者中心を促進すると強く信じています。」モデルの報告フェーズは、RLC 中に提起された学習ポイントを要約し、学習目標が確実に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、実践に移す際に考慮すべき最も重要なアイデアと重要な側面について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番号 (MRC-01-22-117) および (HSK/PGR/UH/04728) に基づいて取得されました。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) と教育ディレクターを務める教育専門家 (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が修正されました。顔面の妥当性の後、内容の妥当性は、米国看護師資格認定センター (ANCC) によって認定され、教育プランナーとしての役割を果たした上級看護教育者 (N = 6)、および 10 年以上の教育を受け、教育を受けてきた上級看護師教育者 (N = 6) によって判断されました。教職歴。職歴 評価は教育責任者によって実施されました (N = 6)。モデル経験あり。コンテンツの有効性は、コンテンツ有効性比率 (CVR) とコンテンツ有効性インデックス (CVI) を使用して決定されました。CVI の推定には Lawshe 法 [52] が使用され、CVR の推定には Waltz and Bausell の方法 [53] が使用されました。CVR プロジェクトは必要であり、役立ちますが、必須またはオプションではありません。CVI は、関連性、簡潔さ、明確さに基づいて 4 段階でスコア付けされます。1 = 関連性なし、2 = やや関連性、3 = 関連性、4 = 非常に関連性があります。顔や内容の妥当性を検証した上で、実践的なワークショップに加え、モデルを利用する教師を対象としたオリエンテーションやオリエンテーションも実施した。
作業グループは、集中治療室で SBE に参加する際の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の 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、および 3)。CVR = 1.00、CVI = 1.00、適切な顔とコンテンツの有効性を反映しています [52、53]。
このモデルはグループ SBE 向けに作成されたもので、同じまたは異なるレベルの経験、知識、年功を持つ参加者を対象に、エキサイティングで挑戦的なシナリオが使用されます。RLC 概念モデルは、INACSL フライト シミュレーション解析標準 [36] に従って開発されており、学習者中心であり、実際の例も含めて一目瞭然です (図 1、2、および 3)。このモデルは意図的に開発され、モデリング標準を満たすために 4 つの段階に分割されています。ブリーフィングから始まり、その後の考察分析/合成、そして情報と概要で終わります。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これまで研究されていません [38]。シミュレーションの実践における二重ループと認知過負荷理論の実際的な概念を考慮すると [34, 37]、同じシミュレーション グループ内の参加者の経験や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ことを考慮することが重要です。情報量、学習の流れ、構造の軽視、および高校生と中学生の両方による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引き起こします[18、38、46]。RLC モデルを開発する際には、未開発および/または次善の臨床推論を避けるために、これらの要因が考慮されました [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勢効果が生じることを考慮することが重要です。これは、上級参加者が基本概念の学習を避ける傾向があるために起こりますが、これは若い参加者にとってメタ認知を達成し、より高いレベルの思考と推論のプロセスに入るために重要です[38、47]。RLC モデルは、感謝の気持ちを込めた質問とデルタ アプローチを通じて上級看護師と若手看護師を巻き込むように設計されています [45、46、51]。これらの方法を使用して、さまざまな能力や経験レベルを持つ上級および若手の参加者の意見が項目ごとに提示され、報告会の司会者と副司会者によって反省的に議論されます [45、51]。シミュレーション参加者の入力に加えて、報告ファシリテーターは、すべての集合的観察が各学習の瞬間を包括的にカバーするように入力を追加し、それによってメタ認知を強化して臨床推論を最適化します [10]。
RLC モデルを使用した情報の流れと学習構造は、体系的で複数のステップからなるプロセスを通じて対処されます。これは、報告会の進行役を支援し、次の段階に進む前に、各参加者が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内省的なディスカッションを開始し、さまざまな年功や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 プラクティスについて合意した時点に到達してから、次の議論に進むことができます [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、経験が浅く有能な参加者の貢献/観察は評価され、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、上級者と若手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。この目的を達成するために、モデル調査方法論は、評価調査と加算/デルタ法を組み合わせたブルーム分類モデルを使用して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、焦点となる質問/振り返りディスカッションの知識と理解から始めると、経験の浅い参加者がディスカッションに積極的に参加し、積極的に参加することが奨励されます。その後、ファシリテーターは徐々に質問/ディスカッションのより高いレベルの評価と総合に移行します。このイベントでは、双方が先輩と後輩の参加者に、これまでの経験や臨床スキルや模擬シナリオの経験に基づいて平等に参加する機会を与える必要があります。このアプローチは、経験の浅い参加者が積極的に参加し、経験豊富な参加者が共有する経験や報告会の進行役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、参加者の能力や経験レベルが異なる SBE だけでなく、同様の経験や能力レベルを持つ SBE グループ参加者も対象に設計されています。このモデルは、学習目標を達成するために、グループが知識と理解に重点を置き、総合と評価に重点を置くまでスムーズかつ系統的に移行できるように設計されました。モデルの構造とプロセスは、異なる同等の能力と経験レベルのモデリング グループに適合するように設計されています。
さらに、ヘルスケアにおける SBE は RLC と組み合わせて臨床推論と医師の能力を開発するために使用されますが [22,30,38]、症例の複雑さと認知過負荷の潜在的なリスクに関連する関連要素を考慮する必要があります。参加者が SBE シナリオに参加した場合、即時の介入と重大な意思決定を必要とする非常に複雑な重症患者をシミュレートしました [2、18、37、38、47、48]。この目的を達成するには、SBE に参加する際に、経験豊富な参加者と経験の浅い参加者の両方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切り替える傾向を考慮し、高齢者と若年層の両方が参加できる証拠に基づくアプローチを確立することが重要です。生徒が学習プロセスに積極的に参加できるようにします。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、ファシリテーターは、上級参加者と若手参加者の両方の知識と背景の理解の側面が最初にカバーされていることを確認し、その後徐々に反射的に発展するように設計されています。分析を容易にします。総合と理解。評価的な側面。これは、若い学生が学んだことを構築して定着させるのに役立ち、年長の学生が新しい知識を統合して発展させるのに役立ちます。これは、各参加者のこれまでの経験と能力を考慮した推論プロセスの要件を満たし、分析的推論システムと非分析的推論システムの間を同時に移動する高校生と中学生の傾向に対処する一般的な形式を備えています。臨床推論の最適化を保証します。
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のスキルを習得するのが難しい場合があります。認知的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ファシリテーターと比較して、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、特に報告会の経験を強化している教師にとって、教師のモデリング作業を促進し、報告会のスキルを向上させることができる認知ツールです [55]。さらなる使いやすさを追求し、使いやすいモデルを開発します。(図 2 および図 3)。
プラス/デルタ、感謝調査、およびブルーム分類法調査手法の並行統合は、現在利用可能なシミュレーション分析およびガイド付きリフレクション モデルではまだ扱われていません。これらの方法の統合は、臨床推論と学習者中心の最適化を達成するために、これらの方法が単一の形式に統合される RLC モデルの革新性を強調しています。医学教育者は、参加者の臨床推論能力を向上および最適化するために、RLC モデルを使用してグループ SBE をモデル化することで恩恵を受ける可能性があります。モデルのシナリオは、教育者が内省的な報告会のプロセスを習得し、自信を持って有能な報告会ファシリテーターになるためのスキルを強化するのに役立ちます。
SBE には、マネキンベースの SBE、タスク シミュレーター、患者シミュレーター、標準化された患者、仮想現実および拡張現実を含むがこれらに限定されない、多くの異なるモダリティと技術を含めることができます。レポートが重要なモデリング基準の 1 つであることを考慮すると、これらのモードを使用する場合、シミュレートされた RLC モデルをレポート モデルとして使用できます。さらに、このモデルは看護分野向けに開発されたものですが、専門職間でのヘルスケア SBE にも使用できる可能性があり、専門職間教育のための RLC モデルをテストするための将来の研究取り組みの必要性が強調されています。
SBE 集中治療室における看護ケアのためのポストシミュレーション RLC モデルの開発と評価。他の医療分野や専門職間の 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、モデルの将来の評価/検証が推奨されます。
このモデルは、理論と概念に基づいて共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に、比較研究のための強化された信頼性尺度の使用が将来検討される可能性があります。
実践上の誤りを最小限に抑えるために、実践者は安全で適切な臨床上の意思決定を確実にするための効果的な臨床推論スキルを備えている必要があります。SBE RLC をデブリーフィング手法として使用すると、臨床推論を開発するために必要な知識と実践的なスキルの開発が促進されます。しかし、臨床推論の多次元的な性質は、これまでの経験と曝露、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、臨床推論を積極的に実行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浮き彫りにしています。そして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、臨床推論が未発達で最適ではない結果にな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の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/マイナスの評価調査とブルーム分類法の使用を同時に統合します。
現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。
ダニエル M、レンシック J、ダーニング SJ、ホルボ E、サンテン SA、ラング W、ラトクリフ T、ゴードン D、ヘイスト B、ルバルスキー S、エストラーダ KA。臨床推論を評価する方法: 推奨事項を確認し、実践します。医学アカデミー。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. 医療従事者間の臨床推論に関する文献比較: 範囲のレビュー。BMC医学教育。2020;20(1):1–1。
ゲレーロ JG.看護実践推論モデル: 看護における臨床推論、意思決定、判断の技術と科学。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. 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 臨床例を使った実習から学生の診断スキルはどのように向上しますか?構造化された考察が、同じ疾患および新しい疾患の将来の診断に及ぼす影響。医学アカデミー。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索: スコーピング レビュー。看護師教育実践 2022 1 20: 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. 医学生の臨床推論スキルの自己規制の促進。オープンジャーナルナース 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」: 看護学生の臨床能力を向上させるための教育モデル患者を危険にさらす。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推論の評価: 系統的レビュー。国際環境研究ジャーナル、公衆衛生。2022;19(2):936。
Chamberlain D、Pollock W、Fulbrook P. ACCCN の救命救急看護基準: 系統的レビュー、証拠の開発および評価。オーストラリア緊急事態。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 周術期看護師。2022;35(2):e32–40。
Rivaz M、Tavakolinia M、Momennasab M. 救命救急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。
スヴァルディアント H、アストゥーティ VV、コンピテンス。救命救急病棟（JSCC）の学生看護師のための看護と救命救急実践ジャーナル交換。ストラーダマガジン イルミア・ケセハタン。2020;9(2):686–93。
Liev B、Dejen Tilahun A、Kasyu T. 集中治療室看護師の身体的評価に関連する知識、態度、要因: 多施設横断研究。救命救急における研究実践。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コンピテンシー フレームワークの試験的導入。看護師教育実習。2021;51:102969。
ワン MS、ソー E、ハドソン JN。スクリプトの整合性テストで応答プロセスの妥当性をテストする: 思考音声アプローチ。国際医学教育ジャーナル。2020;11:127。
カン・H、カン・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効果。韓国学術産業協力協会。2020;21(8):107–14。
Diekmann P、Thorgeirsen K、Kvindesland SA、Thomas L、Bushell W、Langley Ersdal H. モデリングを使用した、新型コロナウイルス感染症のような感染症の発生に対する対応の準備と改善: ノルウェー、デンマーク、英国からの実践的なヒントとリソース。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。(副編集者) および用語および概念ワーキング 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: 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用の拡張現実。包括的な福祉のための仮想患者テクノロジーの最新の進歩。ゲーミフィケーションとシミュレーション。2020;196:103–40。
アラムラニ MH、アラムマル KA、アルカハタニ SS、セイラム 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 シミュレーション技術を使用して能力と自信を評価します。お手入れ。2018;48(10):45。
投稿時刻: 2024 年 1 月 8 日