Personal, professional, and psychological impact of the COVID-19 pandemic on hospital workers: A cross-sectional survey
Notice bibliographique
Résumé
OBJECTIVES: We aimed to evaluate the personal, professional, and psychological impact of the COVID-19 pandemic on hospital workers and their perceptions about mitigating strategies. DESIGN: Cross-sectional web-based survey consisting of (1) a survey of the personal and professional impact of the COVID-19 pandemic and potential mitigation strategies, and (2) two validated psychological instruments (Kessler Psychological Distress Scale [K10] and Impact of Events Scale Revised [IES-R]). Regression analyses were conducted to identify the predictors of workplace stress, psychological distress, and post-traumatic stress. SETTING AND PARTICIPANTS: Hospital workers employed at 4 teaching and 8 non-teaching hospitals in Ontario, Canada during the COVID-19 pandemic. RESULTS: Among 1875 respondents (84% female, 49% frontline workers), 72% feared falling ill, 64% felt their job placed them at great risk of COVID-19 exposure, and 48% felt little control over the risk of infection. Respondents perceived that others avoided them (61%), reported increased workplace stress (80%), workload (66%) and responsibilities (59%), and 44% considered leaving their job. The psychological questionnaires revealed that 25% had at least some psychological distress on the K10, 50% had IES-R scores suggesting clinical concern for post-traumatic stress, and 38% fulfilled criteria for at least one psychological diagnosis. Female gender and feeling at increased risk due to PPE predicted all adverse psychological outcomes. Respondents favoured clear hospital communication (59%), knowing their voice is heard (55%), expressions of appreciation from leadership (55%), having COVID-19 protocols (52%), and food and beverages provided by the hospital (50%). CONCLUSIONS: Hospital work during the COVID-19 pandemic has had important personal, professional, and psychological impacts. Respondents identified opportunities to better address information, training, and support needs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».