MétaCan
Menu
Retour à la cohorte
Enregistrement W4205722208 · doi:10.12968/gasn.2021.19.sup6.s27

Impact of the COVID-19 pandemic on the experiences of hepatology nurses in Canada

2021· article· en· W4205722208 sur OpenAlexaffabout
Donna Zukowski, Anna DeWolff, Elizabeth Lee, Lesley Gallagher, Sarah De Coutere, Colina Yim

Notice bibliographique

RevueGastrointestinal Nursing · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensQueen Elizabeth II Health Sciences CentreHealth CanadaToronto General HospitalUniversity Health NetworkRegistered Nurses' Association of Ontario
Organismes subventionnairesnon disponible
Mots-clésHepatologyMedicineOutreachPandemicCoronavirus disease 2019 (COVID-19)Family medicineNursingInternal medicineHealth careHealthcare deliveryPublic healthQualitative researchDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Background: In March 2020, COVID-19 was declared a global pandemic, directly affecting the management of liver disease. Aims: This study aimed to gain insights on the impact of COVID-19 on Canadian hepatology nursing care practices, on the personal stress levels of nurses and on strategies employed in the delivery of care. Methods: The 129 members of the Canadian Association of Hepatology Nurses (CAHN) were invited to an online survey, with a mixed-methods design consisting of 22 quantitative and seven optional qualitative questions. Findings: Of CAHN members, 41 (32%) responded to the survey; 90% reported moderate-to-severe negative impacts on practice settings, while 68% reported hepatitis C testing and treatment delays. The qualitative data identified six main themes within two broad categories: barriers in access to care and strategies employed by nurses. Conclusions: Participants identified that COVID-19 had negative impacts on themselves personally and on their delivery of healthcare to patients. Hepatology nurses led positive changes through collaboration with community partners and mobilisation of outreach work.

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)0,000
score de la tête « metaresearch » (Gemma)0,003
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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 Opus0,083
Tête enseignante GPT0,402
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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGastrointestinal NursingMême sujetCOVID-19 and healthcare impactsTravaux en français237 207