Willingness and self-confidence of healthcare workers in Bahrain in assisting with in-flight emergencies
Notice bibliographique
Résumé
Abstract: BACKGROUND: In-flight medical emergency (IFE) impose considerable challenges on healthcare workers (HCWs) because of limited resources, constrained environment, and medico-legal issues. This study assessed HCWs knowledge, willingness, and confidence in addressing in-flight medical emergencies. MATERIALS AND METHODS: A cross-sectional study was conducted between June and August 2023 among nurses and physicians working in primary healthcare centers and governmental hospitals in Bahrain. Subjects were selected using stratified random sampling; a self-administered online questionnaire of high reliability (Cronbach alpha = 0.914) was used to collect the data. Logistic regression analysis were performed to determine association of knowledge, willingness, and confidence in dealing with in-flight emergencies with various characteristics of HCWs. RESULTS: The study included 805 HCWs with mean age of 35.5 years (SD=9.2). The findings indicated deficiency in training, with <10% of participants trained on IFE. A considerable proportion of participants exhibited low levels of knowledge (88.3%) and confidence (75.9%) with IFE. Nonetheless, more than half of the participants expressed the willingness to assist in IFE (59.1%). Non-Bahraini healthcare professionals (odds ratio [OR] = 2.901, P < 0.001) had higher knowledge of IFE. Nurses (OR = 1.642, P = 0.047) and participants with longer work experience had higher willingness to assist in IFE. In addition, professionals who were non-Bahraini (OR = 3.249, P < 0.001), working in secondary care (OR = 1.619, 95% confidence interval P = 0.021), had had training on IFE (OR = 2.247, P = 0.004), and had encountered IFE before (OR = 1.974, P = 0.006) had greater self-confidence levels. CONCLUSION: Considering the low levels of knowledge and confidence healthcare professionals in Bahrain had with regard to IFE, targeted training initiatives and educational programs are necessary to improve HCW’s confidence and preparedness to deal with such emergencies.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».