MétaCan
Menu
Retour à la cohorte
Enregistrement W3192202202 · doi:10.1093/eurjcn/zvab060.096

Resilience among caregivers of patients with heart failure: a convergent mixed methods study

2021· article· en· W3192202202 sur OpenAlexaff
Ángela Durante, Ahtisham Younas, Angela Cuoco, Josiane Boyne, Raúl Juárez‐Vela, Bridgette M. Brawner, Ercole Vellone

Notice bibliographique

RevueEuropean Journal of Cardiovascular Nursing · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueResilience and Mental Health
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésMedicineHospital Anxiety and Depression ScaleCoping (psychology)Caregiver burdenAnxietyFamily caregiversDistressDepression (economics)Social supportGerontologyClinical psychologyNursingPsychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

Abstract Funding Acknowledgements Type of funding sources: Private grant(s) and/or Sponsorship. Main funding source(s): HFA Nurse training Fellowship Award Center for Excellence for Culture and Nursing Research (CECRI)Nursing Scholarship OPI Rome Italy Introduction Resilience is a dynamic process of utilising abilities to harness personal, social, and spiritual resources and coping characteristics and developing regulatory flexibility to manage challenges and bounce back from emotional and physical distress. Caregivers of patients with heart failure are prone to increased stress and reduced resilience while assisting their family members in meeting self-care needs, activities of daily living, and complex medical and dietary regimens. To date, limited research exists on resilience and its predictors among caregivers of people with heart failure. Purpose To develop a comprehensive understanding of resilience and its predictors among caregivers of patients with heart failure. Methods A convergent mixed methods design was used. In total, 50 caregivers completed the Connor-Davidson Resilience Scale (CDRS) (score range: 0–100, with higher scores indicating higher resilience), the Caregiver Burden Inventory (CBI) (higher scores indicate greater caregiver burden; there are no cut-off points for classifying burden), and the Hospital Anxiety and Depression Scale (HADS) (two subscales, range score 0 and 21 per each subscale; higher scores mean worse anxiety and depression) and participated in semi-structured face-to-face interviews. Data were analysed using multiple regression, qualitative content analysis, and joint displays. Results The caregivers’ mean age was 62.8 ± 12.83 years. The CDRS mean score was 62.37 ± 24.2, and the mean HADS scores for anxiety and depression were 12.38 ± 2.74 and 8.54 ± 2.49, respectively. The mean CBI score was 16.82 ± 17.12. Regression analysis showed that the resilience score was only predicted by depression (B = -1.491, p = 0.031). Qualitative analysis generated three resilience-inhibiting factors (psychological outlook, physical weariness, and affective state) and two promoting factors (community interconnectedness and self-comforting activities). Mixed analysis confirmed that depression decreased caregivers’ resilience. Conclusions Caregivers of people with heart failure are likely to experience extreme stress and anxiety that affect their resilience to provide better care for their family members. This study identified that depression, hopelessness, pessimism, powerlessness, physical fatigue, and fluctuating emotional states affected negatively caregivers’ resilience. However, self-comforting activities and community interconnectedness improved caregivers’ resilience. Community care organizations and hospitals could establish alliances to develop programs for enhancing caregivers’ 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,488
Score d'incertitude au seuil0,572

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,334
Écart entre enseignants0,319 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Cardiovascular NursingMême sujetResilience and Mental HealthTravaux en français237 207