Physicians’ mental health and coping during the COVID-19 pandemic: One year exploration
Notice bibliographique
Résumé
Numerous cross-sectional studies have examined physicians' health and coping during the COVID-19 pandemic, while longitudinal studies are lacking. This study explores the progression over one year of physicians' physical and mental health symptoms, their strategies used to cope and discusses coping strategies in relation to physical and mental health symptoms. Two surveys, one year apart, exploring physicians' physical, mental health symptoms and employed coping strategies were sent to all physicians practicing in the province of Saskatchewan, Canada. A total of 117 physicians participated in Round I (RI) (November 2020–January 2021) and 158 participated in Round II (RII) (October 2021–February 2022). Physicians' physical and mental health symptoms remained high, irrespective of their specialty or COVID-19 exposure. COVID-related Post-Traumatic Stress Disorder increased by five times at RII ( p = 0.02). In RI anxiety was most prevalent in middle-aged females. In RII depression was most prevalent in physicians with no children. Most coping was adaptive (90%) and included Behavioural, Relational, Cognitive, Spiritual, and Interventional strategies. After one-year, Spiritual coping decreased, while Interventional coping increased by eight times ( p = 0.01). Despite efforts to employ adaptive coping, physicians' rates of psychological and physical health difficulties remained high or worsened over one year, offering insight into the protracted health care crisis, and the need for solutions . Our observation of physicians' needs for additional supports, camaraderie and appreciation as well as the shift in coping strategies as the pandemic progressed, offer targets for interventions meant to promote recovery.
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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».