Mental health service use and its associated factors among nurses in China: a cross-sectional survey
Notice bibliographique
Résumé
BACKGROUND: To facilitate mental health service planning for nurses, data on the patterns of mental health service use (MHSU) among nurses are needed. However, MHSU among Chinese nurses has seldom been studied. Our study aimed to explore the rate of MHSU among Chinese nurses and to identify the factors associated with MHSU. METHODS: A self-designed anonymous questionnaire was used in this study. MHSU was assessed by the question, "Have you ever used any kind of mental health services, such as mental health outpatient services or psychotherapies, when you felt that your health was suffering due to stress, insomnia, or other reasons?" The answer to the question was binary (yes or no). Sleep quality, burnout, and depressive symptoms were assessed using the Chinese version of the Pittsburgh Sleep Quality Index , the Chinese version of the Maslach Burnout Inventory-General Survey and the two-item Patient Health Questionnaire, respectively. Chi-square tests and binary logistic regression were used for univariate and multivariate analyses. RESULTS: A total of 10.94% (301/2750) of the nurses reported MHSU. 10.25% (282/2750) of the nurses had poor sleep quality, burnout and depressive symptoms, and only 26.95% of these nurses reported MHSU. Very poor sleep quality (OR 9.36, 95% CI [5.38-16.29]), mid-level professional title (OR 1.48, 95% CI [1.13-1.93]) and depressive symptoms (OR 1.66, 95% CI [1.28-2.13]) were independent factors associated with MHSU. CONCLUSIONS: Most of the nurses have experienced burnout, poor sleep quality or depressive symptoms and the MHSU rate among them was low. Interventions to improve the mental health of nurses and to promote the use of mental health services are needed.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 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 ».