The COVID-19 pandemic in Russia: Effects on clinicians and mental health services
Notice bibliographique
Résumé
Since COVID-19 was declared a pandemic by the World Health Organization in March 2020, it has had different infection rates across the world. Russia had one of the largest numbers of infected cases during 2020, but with a lower overall fatality rate. Nevertheless, as in other countries, clinical practice within the mental health care system has faced many stresses and challenges. This concerned the need to organize a treatment of COVID-19 in psychiatric hospitals, as well as a transformation of outpatient care, including psychotherapy, which has largely switched to a remote format. To better understand the effects of the pandemic on mental health professionals, a large-scale study has been implemented through the Global Clinical Practice Network, one of the largest professional communities, which includes 969 members from Russia. The study assessed how COVID-19 affected clinical practice and well-being of clinicians. The first of three surveys was launched in June 2020, in six languages including Russian. Over 2,500 global mental health professionals participated in the study, including 205 clinicians from Russia. Current work circumstances, work-related stressors, and use of telehealth were evaluated. In Russia, the data collection period was characterized by generally improvement in the overall pandemic situation. Results to be presented include the proportion of clinicians that continued working, what kinds of services they provided, their well-being strategies, telehealth modalities and areas in which they had particular concerns about assessment, treatment, or monitoring of patients with mental disorders using remote technologies. Disclosure No significant relationships.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».