Hidden and Understaffed: Exploring Canadian Medical Laboratory Technologists’ Pandemic Stressors and Lessons Learned
Notice bibliographique
Résumé
(1) Background: The COVID-19 pandemic has highlighted the critical role of medical laboratory technologists (MLTs) in the healthcare system. Little is known about the challenges MLTs faced in keeping up with the unprecedented demands posed by the pandemic, which contributed to the notable staff shortage in the profession. This study aims to identify and understand the stressors of MLTs in Canada and the lessons learned through their lived experiences during the pandemic. (2) Methods: In this descriptive qualitative study, we conducted five semi-structured focus groups with MLTs working during the pandemic. The focus group sessions were audio-recorded and then transcribed verbatim. Thematic analysis was used to inductively code data and identify themes. (3) Results: A total of 27 MLTs across Canada participated in the study. Findings highlighted four key themes: (i) unexpected challenges navigating through the uncertainties of an ever-evolving pandemic; (ii) implications of staff shortage for the well-being of MLTs and quality of patient care; (iii) revealing the realities of the hidden, yet indispensable role of MLTs in predominantly non-patient-facing roles; and (iv) leveraging insights from the COVID-19 pandemic to enhance healthcare practices and preparedness. (4) Conclusion: The study provides in-depth insight into the experiences of MLTs across Canada during the pandemic. Based on our findings, we provide recommendations to enhance the sustainability of the laboratory workforce and ensure preparedness and resiliency among MLTs for future public health emergencies, as well as considerations as to combating the critical staff shortage.
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 | 0,006 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».