Assessing COVID-19 knowledge, attitudes, and practices among hospital employees: identifying sociodemographic determinants for improved public health strategies
Notice bibliographique
Résumé
Background The working environment of healthcare institution during pandemic puts all hospital employees at high-risk of being exposed to contagious infections. An individual’s behavior and response are largely determined by their level of knowledge, attitudes and practices (KAP) toward a disease. Therefore, the present study aimed to evaluate and assess the KAP toward COVID-19 among hospital employees working in various positions and to identify the sociodemographic determinants associated with the level of KAP. Methods A cross-sectional survey was conducted from July 1 to July 15, 2020 in Almoosa Specialist Hospital, Alhasa, Eastern Province, Saudi Arabia in which 221 hospital employees with varied job titles participated. The data for demographics and history of COVID-19 exposure, KAP related to COVID-19 spread and prevention were collected online using a web-based platform (Survey Monkey). Student’s t -test/One-way ANOVA were used to compare total mean and standard deviation of KAP scores with demographic profiles and history of exposure. Results 89.1% employees knew that COVID-19 virus is mostly transmitted from human-to-human, and 76.0% employees acknowledged droplet transmission. 64.7% employees preferred to take a sick person with unconfirmed COVID-19 to a health facility. Physicians had higher knowledge scores for COVID-19 infection and non-medical employees had the lowest scores (7.47 ± 1.23 and 6.47 ± 1.44, respectively). Nurses had the highest practice scores and non-medical employees lowest practice score (6.16 ± 0.74 and 5.37 ± 1.14, respectively). Attitude scores were similar among all the employees. All employees reported an increase in hand-washing frequency and physical contact avoidance. Conclusion The study results revealed socio-demographic factors; level of education, nationality, and field of service are associated with COVID-19 KAP. The study highlights that there is a gap in the level of knowledge about COVID-19, especially among nonmedical employees. Targeted interventional programs need to be planned and implemented to improve COVID-19 awareness among non-medical employees.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| 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 | 0,000 |
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 ».