Yapay zekâ entegrasyonlu ileri kardiyak yaşam desteği eğitim modelinin etkinliğinin değerlendirilmesi

Amaç: Bu araştırmanın amacı yapay zekâ entegrasyonlu ileri kardiyak yaşam desteği eğitim modelinin bilgi ve becerinin kazandırılmasına ve kalıcılığının sağlanmasına etkisini değerlendirmektir. Gereç ve Yöntem: Yarı deneysel tipteki bu araştırmanın örneklemini Ege Üniversitesi Hemşirelik Fakültesi 2020-2021 ve 2021-2022 eğitim-öğretim yıllarında öğrenim gören 80 son sınıf öğrencisi oluşturdu. Kontrol grubuna, standart senaryo eşliğinde düşük teknolojili simülasyon maketi üzerinde eğitim verilirken Yapay Zekâ grubuna danışmanlı makine öğrenmesi tekniğinin eşleştirdiği bireyselleştirilmiş senaryolar eşliğinde düşük teknolojili simülasyon maketi üzerinde eğitim verildi. Verilerin toplanmasında tanıtıcı bilgi formu, ileri kardiyak yaşam desteği bilgi formu, ileri kardiyak yaşam desteği beceri kontrol listesi kulllanıldı. Araştırma verilerinin analizinde ise Statistical Package for Social Science (SPSS) 25.0 programı kullanılmıştır. Verilerin değerlendirilmesinde tanımlayıcı istatistikler, bağımsız örneklem t-testi, Mann-Whitney U testi, varyans analizi, Bonferroni ve ki-kare testi kullanıldı. Bulgular: Kontrol grubunda yer alan öğrenci hemşirelerin ileri kardiyak yaşam desteği eğitimi öncesi bilgi puan ortalaması 44.73±13.33, eğitimden hemen sonra 61.62±11.73, eğitimden üç ay sonra 56.49±17.55 ve eğitimden altı ay sonra 59.46±14.71'dir. Yapay Zekâ grubunda yer alan öğrenci hemşirelerin ise ileri kardiyak yaşam desteği eğitimi öncesi bilgi puan ortalaması 37.75±11.65, eğitimden hemen sonra 70.50±9.66, eğitimden üç ay sonra 59.75±14.32 ve eğitimden altı ay sonra 56.50±13.07'dir. Yapay Zekâ grubunun eğitimden hemen sonra bilgi puan ortalamasının (p= 0,0001) Kontrol grubuna göre daha yüksek olduğu belirlenmiştir. Kontrol grubunda yer alan öğrenci hemşirelerin ileri kardiyak yaşam desteği eğitimi öncesi beceri puan ortalaması 10.97±4.56, eğitimden hemen sonra 45.27±13.32, eğitimden üç ay sonra 33.13±8.57 ve eğitimden altı ay sonra 31.13±7.47'dir. Yapay Zekâ grubunda yer alan öğrenci hemşirelerin ise ileri kardiyak yaşam desteği eğitimi öncesi beceri puan ortalaması 11.14±4.13, eğitimden hemen sonra 45.17±12.80, eğitimden üç ay sonra 39.42±13.44 ve eğitimden altı ay sonra 37.31±12.00'dir. Yapay Zekâ grubunun eğitimden altı ay sonra beceri puan ortalamasının (p=0.017) Kontrol grubuna göre daha yüksek olduğu saptanmıştır. Kontrol grubunun ileri kardiyak yaşam desteği eğitiminden hemen sonra, eğitimden üç ve altı ay sonra bilgi puan ortalaması arasında istatistiksel olarak anlamlı (p>0.05) bir ilişki saptanmamıştır. Yapay Zekâ grubunun ise ileri kardiyak yaşam desteği eğitiminden hemen sonra bilgi puan ortalamasının, eğitimden üç ay sonra (p=0.001) ve eğitimden altı ay sonra (p=0.0001) bilgi puan ortalamasına göre daha yüksek olduğu saptanmıştır. Kontrol grubunun eğitimden hemen sonra beceri puan ortalamasının, eğitimden üç ay sonra (p=0.0001) ve eğitimden altı ay sonra (p=0.0001) puan ortalamasına göre daha yüksek olduğu, eğitimden üç ay sonra beceri puan ortalamasının da eğitimden altı ay sonra beceri puan ortalamasına (p=0.0001) göre daha yüksek olduğu belirlenmiştir. Yapay Zekâ grubunun ise eğitimden altı ay sonra beceri puan ortalamasının (p0,0001), eğitimden hemen sonra (p=0.009) ve eğitimden üç ay sonra (p=0,0001) puan ortalamasına göre daha düşük olduğu saptanmıştır. Sonuç: Bilgi ve becerilerin kazandırılmasında, danışmanlı makine öğrenmesi tekniğinin eşleştirdiği bireyselleştirilmiş senaryolar eşliğinde düşük teknolojili simülasyon maketi üzerinde verilen eğitimin standart senaryo eşliğinde düşük teknolojili simülasyon maketi üzerinde verilen eğitime göre etkili olduğu saptanmıştır. Bununla beraber bilginin kalıcılığında, danışmanlı makine öğrenmesi tekniğinin eşleştirdiği bireyselleştirilmiş senaryolar eşliğinde düşük teknolojili simülasyon maketi üzerinde verilen eğitimin standart senaryo eşliğinde düşük teknolojili simülasyon maketi üzerinde verilen eğitime göre etkili olmadığı saptanırken becerinin üç aya kadar kalıcılığında daha etkili olduğu bulunmuştur.

Objective: The aim of this research is to evaluate the effect of advanced cardiac life support education model with artificial intelligence integration on gaining knowledge and skills and ensuring their permanence. Material and Method: The sample of this quasi-experimental study consisted of 80 senior students studying at Ege University Faculty of Nursing in the 2020-2021 and 2021-2022 academic years. While the Control group was trained on a low-fidelity simulation manikin accompanied by a standard scenario, the Artificial Intelligence group was trained on a low-fidelity simulation manikin accompanied by individualized scenarios matched by the supervised machine learning technique. Introductory information form, advanced cardiac life support information form, advanced cardiac life support skill checklist was used to collect data. Statistical Package for Social Science (SPSS) 25.0 program was used in the analysis of the research data. Descriptive statistics, independent sample t-test, Mann-Whitney U test, analysis of variance, Bonferroni and chi-square test were used to evaluate the data. Results: The mean knowledge score of the student nurses in the Control group before advanced cardiac life support training was 44.73±13.33, right after the training was 61.62±11.73, three months after the training was 56.49±17.55, and six months after the training was 59.46±14.71. The mean knowledge score of the student nurses in the Artificial Intelligence group before advanced cardiac life support training was 37.75±11.65, right after the training was 70.50±9.66, three months after the training was 59.75±14.32, and six months after the training was 56.50±13.07. It was determined that the knowledge point average (p=0.0001) of the Artificial Intelligence group right after the training was higher than the Control group. The mean skill score of the student nurses in the Control group before advanced cardiac life support training was 10.97±4.56, right after the training was 45.27±13.32, three months after the training was 33.13±8.57, and six months after the training was 31.13±7.47. The mean skill score of the student nurses in the Artificial Intelligence group was 11.14±4.13 before advanced cardiac life support training, right after the training was 45.17±12.80, three months after the training was 39.42±13.44, and six months after the training was 37.31±12.00. It was determined that the skill point average (p=0.017) of the Artificial Intelligence group six months after the training was higher than the Control group. No statistically significant (p>0.05) correlation was found between the mean knowledge score of the Control group right after advanced cardiac life support training, and three and six months after the training. It was determined that the knowledge point average of the Artificial Intelligence group right after the advanced cardiac life support training was higher than the average knowledge point three months after the training (p=0.001) and six months after the training (p=0.0001). It was observed that the skill point average of the Control group right after the training was higher than the average point three months after the training (p=0.0001) and six months after the training (p=0.0001), and the average of the skill points three months after the training was like the average of the skill points six months after the training. (p=0.0001). In the Artificial Intelligence group, it was determined that the average score of skill six months after the training (p=0.0001) was lower than the mean score right after the training (p=0.009) and three months after the training (p=0.0001). Conclusion: It has been determined that the training given on the low-fidelity simulation manikins accompanied by individualized scenarios matched by the supervised machine learning technique is more effective than the training given on the low-fidelity simulation manikins accompanied by the standard scenario in gaining knowledge and skills. On the other hand, it was determined that the training given on the low-fidelity simulation manikins accompanied by individualized scenarios matched by the supervised machine learning technique was not effective in the retention of the knowledge compared to the training given on the low-fidelity simulation manikins accompanied by with the standard scenario, while it was found that the skill was more effective in the retention of up to three months.