Understanding sickness absence in nurses and personal support workers: Insights from frontline staff and key informants in Northeastern Ontario
Notice bibliographique
Résumé
BACKGROUND: Nurses and personal support workers (PSWs) have high sickness absence rates in Canada. Whilst the evidence-based literature helped to identify the variables related to sickness absenteeism, understanding "why" remains unknown. This information could benefit the healthcare sector in northeastern Ontario and in locations where healthcare is one of the largest employment sectors and where nursing staff have high absence and turnover rates. OBJECTIVE: To identify and understand the factors associated with sickness absence among nurses and PSWs through several experiences while investigating if there are northern-related reasons to explain the high rates of sickness absence. METHODS: In this descriptive qualitative study, focus group sessions took place with registered nurses (n = 6), registered practical nurses (n = 4), PSWs (n = 8), and key informants who specialize in occupational health and nursing unions (n = 5). Focus group sessions were transcribed verbatim followed by inductive thematic analysis. RESULTS: Four main themes emerged, which were occupational/organizational challenges, physical health, emotional toll on mental well-being, and northern-related challenges. Descriptions of why such factors lead to sickness absence were addressed with staff shortage serving as an underlying factor. CONCLUSION: Despite the complexity of the manifestations of sickness absence, work support and timely debriefing could reduce sickness absence and by extension, staff shortage.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».