Psychological distress among healthcare providers during the COVID-19 pandemic: patterns over time
Notice bibliographique
Résumé
BACKGROUND: COVID-19 added to healthcare provider (HCP) distress, but patterns of change remain unclear. This study sought to determine if and how emotional distress varied among HCP between March 28, 2021 and December 1, 2023. METHODS: This longitudinal study was embedded within the 42-month prospective COVID-19 Cohort Study that recruited HCP from four Canadian provinces. Information was collected at enrollment, from annual exposure surveys, and vaccination and illness surveys. The 10-item Kessler Psychological Distress Scale (K10) was completed approximately every six months after March 28, 2021. Linear mixed effects models, specifically random intercept models, were generated to determine the impact of time on emotional distress while accounting for demographic and work-related factors. RESULTS: Between 2021 and 2023, the mean K10 score fell by 3.1 points, indicating decreased distress, but scores increased during periods of high levels of mitigation strategies against transmission of SARS-CoV-2, during winter months, and if taking antidepression, anti-anxiety or anti-insomnia medications. K10 scores were significantly lower for HCP who were male, older, had more children in their household, experienced prior COVID-19 illness(es), and for non-physician but regulated HCP versus nurses. A sensitivity analysis that included only those who had submitted at least five K10 surveys consisted of the factors in the full model excluding previous COVID-19 illness, occupation, and season, after adjustment. Models were also created for K10 anxiety and depression subscales. CONCLUSIONS: K10 scores decreased as the COVID-19 pandemic continued but increased during periods of high mitigation and the winter months. Personal and work-place factors also impacted HCP distress scores. Further research into best practices in distress identification and remediation is warranted to ensure future public health disasters are met with healthcare systems that are able to buffer HCP against short- and long-term mental health issues.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».