ViSHWaS: Violence Study of Healthcare Workers and Systems—a global survey
Notice bibliographique
Résumé
Objective To provide insights into the nature, risk factors, impact and existing measures for reporting and preventing violence in the healthcare system. The under-reporting of violence against healthcare workers (HCWs) globally highlights the need for increased public awareness and education. Methods The Violence Study of Healthcare Workers and Systems study used a survey questionnaire created using Research Electronic Data Capture (REDCap) forms and distributed from 6 June to 9 August 2022. Logistic regression analysis evaluated violence predictors, including gender, age, years of experience, institution type, respondent profession and night shift frequency. A χ 2 test was performed to determine the association between gender and different violence forms. Results A total of 5405 responses from 79 countries were analysed. India, the USA and Venezuela were the top three contributors. Female respondents comprised 53%. The majority (45%) fell within the 26–35 age group. Medical students (21%), consultants (20%), residents/fellows (15%) and nurses (10%) constituted highest responders. Nearly 55% HCWs reported firsthand violence experience, and 16% reported violence against their colleagues. Perpetrators were identified as patients or family members in over 50% of cases, while supervisor-incited violence accounted for 16%. Around 80% stated that violence incidence either remained constant or increased during the COVID-19 pandemic. Among HCWs who experienced violence, 55% felt less motivated or more dissatisfied with their jobs afterward, and 25% expressed willingness to quit. Univariate analysis revealed that HCWs aged 26–65 years, nurses, physicians, ancillary staff, those working in public settings, with >1 year of experience, and frequent night shift workers were at significantly higher risk of experiencing violence. These results remained significant in multivariate analysis, except for the 55–65 age group, which lost statistical significance. Conclusion This global cross-sectional study highlights that a majority of HCWs have experienced violence, and the incidence either increased or remained the same during the COVID-19 pandemic. This has resulted in decreased job satisfaction.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 ».