Analysis of the Dominant Factors Associated with the Incidence of Covid-19 in Prehospital and Intra-Hospital Nurses
Notice bibliographique
Résumé
Nurses are the main lead in tackling the Covid-19 pandemic as if they are risking contracted by Covid-19. High stress during a pandemic has an impact on psychological problems, Personal Protective Equipment (PPE) usage, decision-making difficulty on triage, and fatigue in which those can decrease the immune systems. The aim of study was to identify the dominant factors related to the incidence of Covid-19 in nurses. This observational study used Cross Sectional Study design and consecutive sampling techniques at 136 respondents. Questionnaires was used as instruments tested by validity and reliability to measure Fatigue, Psychological Problems (Depression, Anxiety, Stress), Decision-Making Ability of Triage-EWS Screening Covid-19, Vaccination history, risks of exposure, PPE usage and Covid-19 Incidents. Dominant factor analysis was assessed using multivariate analysis by logistic regression test. Based on the results of the logistic regression test, it was found that the risk of exposure to Covid-19 was the dominant factor with the incidence of Covid-19 among nurses in the pre-intra-hospital settings with significance of the test results p value <0.0. Handling of Covid-19 incidents in health workers is crucial. It has been clear that the risk of exposure to people who are confirmed positive can increase the incidence of Covid-19, so it necessary to make prevention program by implementing physical distancing and increasing activities that impact on increasing of immunity.
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».