Impact of the COVID-19 Pandemic on Oncologists: Results of an International Study
Notice bibliographique
Résumé
PURPOSE As frontline workers facing the COVID-19 pandemic, healthcare providers should be well-prepared to fight the disease and prevent harm to their patients and themselves. Our study aimed to evaluate the knowledge, attitude, and practice of oncologists in response to the COVID-19 pandemic and its impact on them. METHODS A cross-sectional study was conducted using a validated questionnaire disseminated to oncologists by SurveyMonkey. The tool had 42 questions that captured participants’ knowledge, attitude, and practice; their experiences; and the pandemic’s impact on various aspects of their lives. Participants from Middle East and North African countries, Brazil, and the Philippines completed the electronic survey between April 24 and May 15, 2020. RESULTS Of the 1,010 physicians who participated in the study, 54.75% were male and 64.95% were medical or clinical oncologists. The level of knowledge regarding the prevention and transmission of the virus was good in 52% of participants. The majority (92%) were worried about contracting the virus either extremely (30%) or mildly (62%), and 84.85% were worried about transmitting the virus to their families. Approximately 76.93% reported they would take the COVID 19 vaccine once available, with oncologists practicing in Brazil having the highest odds ratio of intention to receive the COVID-19 vaccine (odds ratio, 11.8, 95% CI, 5.96 to 23.38, P < .001). Participants reported a negative impact of the pandemic on relations with coworkers (15.84%), relations with family (27.84%), their emotional and mental well-being (48.51%), research productivity (34.26%), and financial income (52.28%). CONCLUSION The COVID-19 pandemic has adverse effects on various personal and professional aspects of oncologists’ lives. Interventions should be implemented to mitigate the negative impact and prepare oncologists to manage future crises with more efficiency and resilience.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».