MétaCan
Menu
Retour à la cohorte
Enregistrement W2136314003 · doi:10.1002/chp.20096

Resilience Training for Hospital Workers in Anticipation of an Influenza Pandemic

2011· article· en· W2136314003 sur OpenAlexaff
Andria Aiello, Michelle Young-Eun Khayeri, Shreyshree Raja, Nathalie Peladeau, Donna Romano, Molyn Leszcz, Robert Maunder, Marci Rose, Mary Anne Adam, Clare Pain, Andrea R. Moore, Diane Savage, Rabbi Bernard Schulman

Notice bibliographique

RevueJournal of Continuing Education in the Health Professions · 2011
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensMount Sinai Hospital
Organismes subventionnairesnon disponible
Mots-clésAnticipation (artificial intelligence)PandemicTraining (meteorology)Resilience (materials science)Influenza pandemicPsychologyCoronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakMedicineMedical educationMedical emergencyVirologyGeographyComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Well before the H1N1 influenza, health care organizations worldwide prepared for a pandemic of unpredictable impact. Planners anticipated the possibility of a pandemic involving high mortality, high health care demands, rates of absenteeism rising up to 20-30% among health care workers, rationing of health care, and extraordinary psychological stress. METHOD: The intervention we describe emerged from the recognition that an expected influenza pandemic indicated a need to build resilience to maintain the health of individuals within the organization and to protect the capacity of the organization to respond to extraordinary demands. Training sessions were one component of a multifaceted approach to reducing stress through effective preparation and served as an evidence based platform for our hospital's response to the H1N1 pandemic. RESULTS: The training was delivered to more than 1250 hospital staff representing more than 22 departments within the hospital. The proportion of participants who felt better able to cope after the session (76%) was significantly higher than the proportion who felt prepared to deal confidently with the pandemic before the session (35%). Ten key themes emerged from our qualitative analysis of written comments, including family-work balance, antiviral prophylaxis, and mistrust or fear towards health care workers. CONCLUSIONS: Drawing on what we learned from the impact of SARS on our hospital, we had the opportunity to improve our organization's preparedness for the pandemic. Our results suggest that an evidence-based approach to interventions that target known mediators of distress and meet standards of continuing professional development is not only possible and relevant, but readily supportable by senior hospital administration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,204
Tête enseignante GPT0,538
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations163
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Continuing Education in the Health ProfessionsMême sujetCOVID-19 and Mental HealthTravaux en français237 207