MétaCan
Menu
Retour à la cohorte
Enregistrement W4366318366 · doi:10.5114/fmpcr.2023.125492

Factors affecting the resilience of hospital medical staff during the COVID-19 pandemic

2023· article· en· W4366318366 sur OpenAlexaboutno aff
Hamid Jafari, Mohammad Heidari, Reza Sadeghi, MAJID HEIDARI-JAMEBOZORGI

Notice bibliographique

RevueFamily Medicine & Primary Care Review · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicMedicineCoronavirus disease 2019 (COVID-19)Resilience (materials science)Family medicineInternal medicineInfectious disease (medical specialty)Disease

Résumé

récupéré en direct d'OpenAlex

Literature Search, G -Funds CollectionBackground.During the coronavirus disease 2019 (COVID-19) pandemic, most hospitals have faced a heavy load of patients.In this situation, it is very important to consider the resilience and endurance of medical staff, as well as to identify and investigate the relevant factors which can increase their resilience.Objectives.The aim of this study was to identify the factors affecting the resilience of hospital medical staff during the COVID-19 pandemic. Material and methods.The present study is a qualitative study using a semi-structured interview.Participants included doctors, nurses, clinicians and managers working in tertiary referral hospitals during the COVID-19 pandemic.Interviews were conducted as needed until data saturation was reached using the purposive sampling method.a total number of 20 people, including 6 physicians, 2 hospital managers, 7 nurses, 1 radiologist, 3 laboratory technicians and 1 clinical psychologist, were interviewed in 7 educational hospitals of the Kerman Province.Results.after data analysis and coding, 127 initial codes were identified.by reviewing the codes, 127 initial codes were merged by the research team, and 23 codes in 6 main categories, including Personal Factors (7 codes), Family-Related Factors (2 codes), Community-Related Factors (2 codes), Virus-Related Factors (2 codes), Organisational Factors (7 codes) and economical Factors (3 codes) were extracted. Conclusions.Paying attention to the identified factors on the maintenance of medical human resources in the form of the "Surge Capacity Programme" can increase the resilience of medical staff.Such measures pave the way for a better response to other threats similar to the COVID-19 pandemic.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,050
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,050
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0020,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,138
Tête enseignante GPT0,456
Écart entre enseignants0,318 · 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 source (Gemma direct ou Codex distillé), 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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFamily Medicine & Primary Care ReviewMême sujetDisaster Response and ManagementTravaux en français237 207