Assessing knowledge, attitude, practice and training related to COVID-19: a cross-sectional survey of frontline healthcare workers in Nigeria
Notice bibliographique
Résumé
OBJECTIVES: Healthcare workers (HCWs) are at the frontline of efforts to treat those affected by COVID-19 and prevent its continued spread. This study seeks to assess knowledge, attitude and practice (KAP) as well as training needs and preferences related to COVID-19 among frontline HCWs in Nigeria. SETTING: A cross-sectional survey was carried out among 1852 HCWs in primary, secondary and tertiary care settings across Nigeria using a 33-item questionnaire. PARTICIPANTS: Respondents included doctors, nurses, pharmacy and clinical laboratory professionals who have direct clinical contact with patients at the various healthcare settings. ANALYSIS: Exploratory factor analysis (EFA) was used to establish independent factors related to COVID-19 KAP. Analysis of variance was used to identify any differences in the factors among different categories of HCWs. RESULTS: EFA identified four factors: safety and prevention (factor 1), practice and knowledge (factor 2), control and mitigation (factor 3) and national perceptions (factor 4). Significant group differences were found on three factors: Factor 1 (F(1,1655)=5.79, p=0.0006), factor 3 (F(1,1633)=12.9, p<0.0.0001) and factor 4 (F(1,1655)=7.31, p<0.0001) with doctors scoring higher on these three factors when compared with nurses, pharmaceutical workers and medical laboratory scientist. The most endorsed training need was how to reorganise the workplace to prevent spread of COVID-19. This was chosen by 61.8% of medical laboratory professionals, 55.6% of doctors, 51.7% of nurses and 51.6% of pharmaceutical health workers. The most preferred modes of training were webinars and conferences. CONCLUSION: There were substantial differences in KAP regarding the COVID-19 pandemic among various categories of frontline HCWs surveyed. There were also group differences on COVID-19 training needs and preferences. Tailored health education and training aimed at enhancing and updating COVID-19 KAP are needed, particularly among non-physician HCWs.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».