Anxiety and Coping Strategies among Italian-Speaking Physicians: A Comparative Analysis of the Contractually Obligated and Voluntary Care of COVID-19 Patients
Notice bibliographique
Résumé
This study aims to explore the differences in the psychological impact of COVID-19 on physicians, specifically those who volunteered or were contractually obligated to provide care for COVID-19 patients. While previous research has predominantly focused on the physical health consequences and risk of exposure for healthcare workers, limited attention has been given to their work conditions. This sample comprised 300 physicians, with 68.0% of them men (mean age = 54.67 years; SD = 12.44; range: 23–73). Participants completed measurements including the State-Trait Anxiety Inventory (STAI), Coping Inventory in Stressful Situations (CISS), and Coronavirus Anxiety Scale (C.A.S.). Pearson’s correlations were conducted to examine the relationships between the variables of interest. This study employed multivariate models to test the differences between work conditions: (a) involvement in COVID-19 patient care, (b) volunteering for COVID-19 patient management, (c) contractual obligation to care for COVID-19 patients, and (d) COVID-19 contraction in the workplace. The results of the multivariate analysis revealed that direct exposure to COVID-19 patients and contractual obligation to care for them significantly predicted state anxiety and dysfunctional coping strategies [Wilks’ Lambda = 0.917 F = 3.254 p < 0.001]. In contrast, volunteering or being affected by COVID-19 did not emerge as significant predictors for anxiety or dysfunctional coping strategies. The findings emphasize the importance of addressing the psychological well-being of physicians involved in COVID-19 care and highlight the need for targeted interventions to support their mental and occupational health.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».