Knowledge and Psychological Stress Related to COVID-19 Among Nursing Staff in a Hospital in China: Cross-Sectional Survey Study
Notice bibliographique
Résumé
BACKGROUND: Since December 2019, coronavirus disease (COVID-19) has been rapidly spreading worldwide. Nurses play a key role in fighting this disease and are at risk of COVID-19 infection. Therefore, there is an urgent need to assess the mental health condition of nurses and establish appropriate interventions to reduce the negative psychiatric outcomes of the pandemic. OBJECTIVE: The objectives of this study were to evaluate the knowledge and psychological stress related to COVID-19 among nursing staff and to provide evidence of the need for targeted training and psychological intervention. METHODS: This cross-sectional web-based survey study was performed in a class 3 grade A general hospital in a southwest province of China from March 1 to March 15, 2020. A self-designed questionnaire with questions about COVID-19-related prevention and control knowledge and the Triage Assessment Form (TAF) were used to assess nursing staff's knowledge of COVID-19 and their degree of psychological stress, respectively. SPSS 23.0 was applied for statistical analysis of the collected data. RESULTS: A total of 979 nurses completed the questionnaire. The results showed that the nursing staff provided the fewest correct answers to questions about continuous viral nucleic acid testing specifications (379/979 correct answers, 38.7%), isolation/discharge criteria (539/979 correct answers, 55.1%), and management measures for patients with suspected symptoms (713/979 correct answers, 72.8%). The median total score of the TAF was 7.0 (IQR 5.0-12.0), and there were statistically significant differences in scores between different nursing roles, years of work experience, and hospital departments (P<.05). CONCLUSIONS: This study indicated that nursing staff have insufficient knowledge about COVID-19. Meanwhile, although the psychological damage to nurses during the pandemic was found to be low, nurse managers must continue to monitor the mental health of nursing staff and perform timely interventions.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».