Nurses’ experiences of caring for people with COVID-19 in Hong Kong: a qualitative enquiry
Notice bibliographique
Résumé
OBJECTIVES: Nurses are the largest group of healthcare workers on the front line of efforts to control the COVID-19 pandemic. An understanding of their nursing experiences, the challenges they encountered and the strategies they used to address them may inform efforts to better prepare and support nurses and public health measures when facing a resurgence of COVID-19 or new pandemics. This study aimed to explore the experiences of nurses caring for people with suspected or diagnosed COVID-19 in Hong Kong. DESIGN: A qualitative study was conducted using individual, semistructured interviews. All interviews were audio-recorded and transcribed verbatim for thematic analysis. SETTING: Participants were recruited from acute hospitals and a public health department in Hong Kong from June 2020 to August 2020. PARTICIPANTS: A purposive sample of registered nurses (N=39) caring for people with COVID-19 in Hong Kong were recruited. RESULTS: Two-thirds of the nurses had a master's degree and over a third had 6-10 years of nursing experience. Around 40% of the nurses cared for people with COVID-19 in isolation wards and a quarter performed COVID-19-related work for 31-40 hours/week. Most (90%) had training in COVID-19 and three-quarters had experience of working in infection control teams. Six key themes emerged: confronting resource shortages; changes in usual nursing responsibilities and care modes; maintaining physical and mental health; need for effective and timely responses from relevant local authorities; role of the community in public health protection and management; and advanced pandemic preparedness. CONCLUSIONS: Our study found that nurses possessed resilience, self-care and adaptability when confronting resource shortages, changing nursing protocols, and physical and mental health threats during the COVID-19 pandemic. However, coordinated support from the clinical environment, local authorities and community, and advanced preparedness would likely improve nursing responses to future pandemics.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 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 ».