Factors Related to Self-Reported Distress Experienced by Physicians During Their First COVID-19 Triage Decisions
Notice bibliographique
Résumé
Abstract Objective: The aim of this study was to identify factors associated with distress experienced by physicians during their first coronavirus disease 2019 (COVID-19) triage decisions. Methods: An online survey was administered to physicians licensed in New York State. Results: Of the 164 physicians studied, 20.7% experienced severe distress during their first COVID-19 triage decisions. The mean distress score was not significantly different between physicians who received just-in-time training and those who did not (6.0 ± 2.7 vs 6.2 ± 2.8; P = 0.550) and between physicians who received clinical guidelines and those who did not (6.0 ± 2.9 vs 6.2 ± 2.7; P = 0.820). Substantially increased odds of severe distress were found in physicians who reported that their first COVID-19 triage decisions were inconsistent with their core values (adjusted odds ratio, 6.33; 95% confidence interval, 2.03-19.76) and who reported having insufficient skills and expertise (adjusted odds ratio 2.99, 95% confidence interval 0.91-9.87). Conclusion: Approximately 1 in 5 physicians in New York experienced severe distress during their first COVID-19 triage decisions. Physicians with insufficient skills and expertise, and core values misaligned to triage decisions are at heightened risk of experiencing severe distress. Just-in-time training and clinical guidelines do not appear to alleviate distress experienced by physicians during their first COVID-19 triage decisions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 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 ».