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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».