Lessons from the COVID-19 epidemic in Hubei, China: Perspectives on frontline nursing
Notice bibliographique
Résumé
Background: The emergence of COVID-19 has been an ordeal for nurses worldwide. It is crucial to understand their experiences at the frontline, attempt to allay their concerns, and help inform future pandemic response capabilities. Aims: To explore nurses' lived experiences at the frontline in order to identify and address their concerns and help enhance future responses to infectious disease outbreaks. Methods: A qualitative study was carried out. Semi-structured interviews were conducted with 60 registered nurses who came to Hubei from different parts of China to care for patients with COVID-19. Interviews were audio-recorded and transcribed verbatim for thematic analysis. Results: Six major themes emerged: emotional turmoil due to personal and professional concerns, quality issues with personal protective equipment and associated physical discomfort, witnessing and managing patient distress, readiness of emergency response mechanisms in the health system, collective community awareness and preparedness, and heightened professional pride and confidence in future epidemic control. Discussion: Nurses were placed in challenging and unfamiliar situations to deal with unexpected and unpredictable events which caused considerable psychological and physical distress. Support in the form of government edicts, hospital management policies, community generosity and collegiality was highly welcomed by the nurses. Policy makers and managers should ensure that nurses are provided with the support and resources necessary for dealing with large-scale infectious disease outbreaks. Priority should be given to risk assessment, infection prevention and control, and patient and staff health and safety.
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 | 0,002 | 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) | 0,002 | 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 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 ».