Effect of COVID-19 stressors on healthcare workers’ performance and attitude at Suez Canal university hospitals
Notice bibliographique
Résumé
Abstract Background Coronavirus disease 2019 is an emerging respiratory disease caused by a novel coronavirus effect on 10-20% of total healthcare workers and was first detected in December 2019 in Wuhan, China. This study was designed to assess effect of COVID-19 stressors on healthcare workers’ performance and attitude. A descriptive cross sectional research design was used. A convenient sample (all available healthcare workers) physicians “112,”, nurses “183,” pharmacists “31,” and laboratory technicians “38” was participated to conduct aim of the study. Utilize the study with two tools; online self-administrated questionnaire to assess level of knowledge, attitude, and infection control measures regarding coronavirus disease 2019 and COVID-19 stress scales to assess the varied stressors among healthcare workers. Results More than three quarter of the studied participants had satisfactory level of knowledge and infection control measures. Approximately all of the studied participants had positive attitude regarding COVID-19. A total of 57.4% of the studied medical participants had moderate COVID-19 psychological stress levels, while 49.1% of the studied paramedical participants had moderate COVID-19 psychological stress levels. But less than one quarter had severe COVID-19 psychological stress levels. There is a significant correlation between COVID-19 psychological stressor levels and satisfactory level of knowledge among medical participants. Conclusion/implications for practice Most of healthcare workers had satisfactory level of knowledge, infection control measures, and positive attitude regarding COVID-19. Most of them had moderate COVID-19 psychological stress levels.
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 | 0,000 |
| 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 ».