INTEAM+ : mesures objectives de la performance d’équipe (INTEAM+)
INTEAM+ : une révolution dans la formation en santé grâce à la réalité virtuelle et aux retours basés sur les données pour un travail d’équipe plus efficace ?
Durée : mai 2023 – avril 2024
Statut : terminé
Niveau de formation : niveau tertiaire
Thème : data science for education, digital tools
Mots-clés : data science, données de processus, VR
Situation initiale
Le travail d’équipe dans les situations d’urgence est essentiel. Apprendre à collaborer – par exemple entre infirmier·ère·s et médecins dans le cadre d’entraînements en simulation – est un processus complexe. Les retours, généralement issus d’observations vidéo ou d’instruments de mesure, sont souvent subjectifs et non disponibles en temps réel.
Projet précédent
Dans le projet précédent INTEAM, l’objectif était de promouvoir la collaboration interprofessionnelle entre les étudiant·e·s en médecine et en soins déjà durant leur formation. Grâce à un entraînement d’équipe commun avec des simulations en réalité virtuelle, des compétences centrales telles que la communication structurée, la gestion des situations d’urgence et la compréhension réciproque des rôles devaient être renforcées, afin de créer une base pour une collaboration plus efficace dans la pratique professionnelle ultérieure.
Objectifs
Avec INTEAM+, nous visons à explorer l’utilisation de mesures objectives pour évaluer la performance d’équipe dans des contextes médicaux. Des paramètres tels que la fréquence cardiaque (ECG), l’activité électrodermale (EDA) et le suivi oculaire (eye tracking) sont analysés pour leur capacité à rendre compte de la collaboration, de la coordination et du leadership au sein des équipes.
Méthode
Les formations en équipe ont été réalisées et enregistrées en réalité virtuelle. Nous nous concentrons actuellement sur l’analyse des données physiologiques extraites des enregistrements vidéo. Cette phase vise à identifier des schémas fondamentaux dans la communication et la dynamique d’équipe. Ces résultats permettront non seulement d’améliorer nos méthodes de formation en VR, mais également de servir de base à des projets futurs étudiant ces modèles de manière plus approfondie. Notre objectif est d’utiliser cette compréhension accrue pour rendre le travail d’équipe dans le secteur de la santé plus efficace, jetant ainsi les bases de futures recherches et innovations.
Résultats
Nous présentons un cadre d’analyse fondé sur les données pour évaluer les dynamiques d’équipe dans les formations d’urgence médicale, qui permet un débriefing à l’aide de dispositifs portables enregistrant des données physiologiques et de mouvement pendant l’entraînement. Le système traite les signaux bruts en temps réel sur plusieurs échelles temporelles afin de détecter les dynamiques d’équipe. Un modèle d’apprentissage automatique (Machine Learning, ML) analyse ensuite ces données traitées, identifiant des motifs de synchronisation associés à la coordination et à l’efficacité de l’équipe. Le système repose sur un paradigme d’apprentissage continu permettant l’auto-surveillance, l’auto-apprentissage et l’auto-adaptation à mesure que de nouvelles données sont recueillies. Les résultats montrent une précision de 90 % entre l’indice COACT et les évaluations subjectives de la performance d’équipe, validant le potentiel de ce cadre comme outil d’évaluation objectif, basé sur l’IA, pour les situations d’urgence.
Mise en œuvre de la translation
Des projets de suivi visent à étudier l’application de ces mesures dans divers contextes médicaux aigus et à garantir leur applicabilité pratique dans la formation des professionnel·le·s de santé. Cette mise en œuvre se fera à la BFH, partenaire du projet, ainsi que dans le cursus de médecine de l’Université de Berne. Nous espérons que nos résultats contribueront à l’optimisation de la formation interprofessionnelle des métiers de la santé en Suisse.
Responsable du projet
Collaborateur·trice·s du projet
