Disaster and Emergency Management: Canadian Nurses' Perceptions of Preparedness on Hospital Front Lines
Notice bibliographique
Résumé
INTRODUCTION: Three years following the global outbreak of severe acute respiratory syndrome (SARS), a national, Web-based survey of Canadian nurses was conducted to assess perceptions of preparedness for disasters and access to support mechanisms, particularly for nurses in emergency and critical care units. HYPOTHESES: The following hypotheses were tested: (1) nurses' sense of preparedness for infectious disease outbreaks and naturally occurring disasters will be higher than for chemical, biological, radiological, and nuclear (CBRN)-type disasters associated with terrorist attacks; (2) perceptions of preparedness will vary according to previous outbreak experience; and (3) perceptions of personal preparedness will be related to perceived institutional preparedness. METHODS: Nurses from emergency departments and intensive care units across Canada were recruited via flyer mailouts and e-mail notices to complete a 30-minute online survey. RESULTS: A total of 1,543 nurses completed the survey (90% female; 10% male). The results indicate that nurses feel unprepared to respond to large-scale disasters/attacks. The sense of preparedness varied according to the outbreak/disaster scenario with nurses feeling least prepared to respond to a CBRN event. A variety of socio-demographic factors, notably gender, previous outbreak experience (particularly with SARS), full-time vs. part-time job status, and region of employment also were related to perceptions of risk. Approximately 40% of respondents were unaware if their hospital had an emergency plan for a large-scale outbreak. Nurses reported inadequate access to resources to support disaster response capacity and expressed a low degree of confidence in the preparedness of Canadian healthcare institutions for future outbreaks. CONCLUSIONS: Canadian nurses have indicated that considerably more training and information are needed to enhance preparedness for frontline healthcare workers as important members of the response community.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».