MétaCan
Menu
Retour à la cohorte
Enregistrement W4402347965 · doi:10.1097/cce.0000000000001157

Healthcare Provider Experiences With Unvaccinated COVID-19 Patients: A Qualitative Study

2024· article· en· W4402347965 sur OpenAlexaffabout
Candice Griffin, Christie Lee, Phil Shin, Andrew Helmers, Csilla Kalocsai, Allia Karim, Dominique Piquette

Notice bibliographique

RevueCritical Care Explorations · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensHospital for Sick ChildrenSinai Health SystemUniversity of TorontoNorth York General HospitalSunnybrook Health Science Centre
Organismes subventionnairesnon disponible
Mots-clésHealth careThematic analysisMedicinePandemicIntensive careQualitative researchNursingFamily medicineCoronavirus disease 2019 (COVID-19)PsychologyDiseaseIntensive care medicineInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

IMPORTANCE: In the setting of an active pandemic the impact of public vaccine hesitancy on healthcare workers has not yet been explored. There is currently a paucity of literature that examines how patient resistance to disease prevention in general impacts practitioners. OBJECTIVES: The COVID-19 pandemic created unprecedented healthcare challenges with impacts on healthcare workers' wellbeing. Vaccine hesitancy added complexity to providing care for unvaccinated patients. Our study qualitatively explored experiences of healthcare providers caring for unvaccinated patients with severe COVID-19 infection in the intensive care setting. DESIGN: We used interview-based constructivist grounded theory methodology to explore experiences of healthcare providers with critically ill unvaccinated COVID-19 patients. SETTING AND PARTICIPANTS: Healthcare providers who cared for unvaccinated patients with severe COVID-19 respiratory failure following availability of severe acute respiratory syndrome coronavirus 2 vaccines were recruited from seven ICUs located within two large academic centers and one community-based hospital. We interviewed 24 participants, consisting of eight attending physicians, seven registered nurses, six critical care fellows, one respiratory therapist, one physiotherapist, and one social worker between March 2022 and September 2022 (approximately 1.5 yr after the availability of COVID-19 vaccines in Canada). ANALYSIS: Interviews were recorded, transcribed, de-identified, and coded to identify emerging themes. The final data was analyzed to generate the thematic framework. Reflexivity was employed to reflect upon and discuss individual pre-conceptions and opinions that may impact collection and interpretation of the data. RESULTS: Healthcare providers maintained dedication toward professionalism during provision of care, at the cost of suffering emotional turmoil from the pandemic and COVID-19 vaccine hesitancy. Evolving sources of stress associated with vaccine hesitancy included ongoing high volumes of critically ill patients, resource shortages, and visitation restrictions, which contributed to perceived emotional distress, empathy loss, and professional dissatisfaction. As a result, there were profound personal and professional consequences for healthcare professionals, with perceived impacts on patient care. CONCLUSIONS: Our study highlights struggles of healthcare providers in fulfilling professional duties while navigating emotional stressors unique to vaccine hesitancy. System-based interventions should be explored to help providers navigate biases and moral distress, and to foster resilience for the next major healthcare system strain.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,020
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0090,007
Communication savante0,0040,005
Science ouverte0,0020,005
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,097
Tête enseignante GPT0,468
Écart entre enseignants0,372 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCritical Care ExplorationsMême sujetVaccine Coverage and HesitancyTravaux en français237 207