Violence against healthcare professionals in intensive care units: a systematic review and meta-analysis of frequency, risk factors, interventions, and preventive measures
Notice bibliographique
Résumé
Abstract Background To assess the frequency, risk factors, consequences, and prevention of violence against healthcare workers in intensive care units. Methods PubMed, Scopus, Google Scholar, EMBASE, Cochrane, and Web of Science were searched for studies on violence against healthcare workers in adult intensive care units. Risk factors, patient characteristics, and implications for healthcare workers were collected. Study quality, bias, and level of evidence were assessed using established tools. Results Seventy-five studies with 139,533 healthcare workers from 32 countries were included. The overall median frequency of violence was 51% (IQR 37–75%). Up to 97% of healthcare workers experienced verbal violence, and up to 82% were victims of physical violence. Meta-analysis of frequency revealed an average frequency of 31% (95% CI 22–41%) for physical violence, 57% for verbal violence (95% CI 48–66%), and 12% for sexual violence (95% CI 4–23%). Heterogeneity was high according to the I 2 statistics. Patients were the most common perpetrators (median 56%), followed by visitors (median 22%). Twenty-two studies reported increased risk ratios of up to 2.3 or odds ratios of up to 22.9 for healthcare workers in the ICU compared to other healthcare workers. Risk factors for experiencing violence included young age, less work experience, and being a nurse. Patients who exhibited violent behavior were often male, older, and physically impaired by drugs. Violence was underreported in up to 80% of cases and associated with higher burnout rates, increased anxiety, and higher turnover intentions. Overall the level of evidence was low. Conclusions Workplace violence is frequent and underreported in intensive care units, with potential serious consequences for healthcare workers, calling for heightened awareness, screening, and preventive measures. The potential risk factors for violence should be further investigated. Systematic review registration : The protocol for this review was registered with Prospero on January 15, 2023 (ID CRD42023388449).
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».