Healthcare Professionals' Attitudes Toward Patients With Mental Illness: A Cross-Sectional Study in Qatar
Notice bibliographique
Résumé
Background: Negative attitudes toward mental illness by Health Care Professionals (HCP) have been reported in many countries across the world. Stigmatizing attitudes by HCP can have adverse consequences on people with mental illness from delays in seeking help to decreased quality of care provided. Assessing such attitudes is an essential step in understanding such stigma and, if needed, developing and testing appropriate and culturally adapted interventions to reduce it. Aims: To assess physicians and nurses attitudes toward mental illness and to determine associated factors with different levels of stigma. Methods: A cross-sectional survey was conducted among Physicians and Nurses. The Mental Illness Clinician's Attitudes (MICA) scale was used to assess attitudes toward mental illness. MICA scores range between 1 and 6 with higher values indicating higher stigmatizing attitudes. Demographic and work related information were also gathered. Descriptive statistics along with multivariate linear and multivariate logistic regression models were used. Results: A total of 406 nurses and 92 doctors participated in the study. The nurses' mean MICA score was significantly higher than that of the physicians. Among nurses, being Asian and working in a geriatric, rehabilitation and long-term care facility were associated with lower MICA scores. Among physicians, being female or graduating more than 1 year ago were also associated with lower MICA scores. Conclusion: Stigmatizing attitudes toward people with mental illness by healthcare workers are present in Qatar. They are higher among nurses as compared to physicians. Factors associated with higher stigmatizing attitudes could be used in creating appropriate intervention to reduce the magnitude of the problem.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».