Hospital Resilience in Three COVID-19 Referral Hospitals in Brazil
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Health crises, such as the COVID-19 pandemic, challenge health systems in demonstrating resilience-the ability to cope with change, manage challenges, and adapt in order to retain their effectiveness. Understanding how such challenges affect and produce reactions in those involved in this response is extremely important. This study evaluated resilience in three referral hospitals in the city of Recife, Pernambuco, Brazil-one public, one private, and one philanthropic hospital-by examining the coping activities adopted by the nursing staff working on the COVID-19 frontline. A multiple case study was carried out, using a qualitative approach, triangulating data from direct observations, document analysis, and interviews with 21 nursing professionals working in management and care provision. Data were collected from April to October 2020. The interviews were transcribed and analyzed based on the resilience categories defined by Blanchet (2017): absorption capacity, adaptive capacity, and transformative capacity. Four themes were considered relevant to the objectives of this study: institutional support, access to personal protective equipment (PPE), work relationships, and fear and mental health. Adaptive capacity was demonstrated concerning the four themes analyzed, absorption capacity was demonstrated in two themes, and no transformative capacity was identified. The study highlighted that the health crisis was challenging for all the hospitals studied, regardless of their legal-administrative status. No differences were observed among them in terms of resilience.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 0,002 |
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 découle