MétaCan
Menu
Retour à la cohorte
Enregistrement W4406882154 · doi:10.1111/inr.13099

A descriptive analysis of nurses’ self‐reported mental health symptoms during the COVID‐19 pandemic: An international study

2025· article· en· W4406882154 sur OpenAlexfundno aff
Allison Squires, Hillary J. Dutton, María Guadalupe Casales-Hernández, Javier Isidro Rodríguez López, Juana Jiménez-Sánchez, Paola Andrea Dixon, Cornelia Bernal Cespedes, Yesenia Flores, Maryuri Ibeth Arteaga Cordova, Gabriela Castillo, Jannette Marga Loza Sosa, Taycia Ramírez Pérez, Cibeles González Nahuelquín, Teresa Amaya, José Luís Guedes dos Santos, Derby Muñoz Rojas, Lilia Andrea Buitrago‐Malaver, Fiorella Jackeline Rojas‐Pineda, José Luis Álvarez Watson, Mercedes Gómez del Pulgar García-Madrid, Maria Anyorikeya, Hülya Bilgin, Aurelija Blaževičienė, Lucky Sarjono Buranda, Theresa P. Castillo, Stefanía Johanna Cedeño Tapia, Stefania Chiappinotto, Dulamsuren Damiran, Blerina Duka, Vlora Ejupi, Mohamed A. Ismail, Shanzida Khatun, Virya Koy, Seung Eun Lee, Tae Wha Lee, Jakub Lickiewicz, Jūratė Macijauskienė, Iwona Malinowska‐Lipień, Apiradee Nantsupawat, Abdulqadir J. Nashwan, Fadumo Osman Ahmed, Aylin Özakgül, Yennuten Paarima, Alvisa Palese, Viani Ramírez, Alisa Tsuladze, Zeliha Tülek, Maia Uchaneishvili, Margaret Wekem Kukeba, Enkhjargal Yanjmaa, H P Patel, Zhongyue Ma, Lloyd A. Goldsamt, Simon Jones

Notice bibliographique

RevueInternational Nursing Review · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesYork University
Mots-clésMental healthPandemicDescriptive statisticsBurnoutWorkforceAnxietyMedicineStressorPublic healthNursingPsychologyPsychiatryFamily medicineCoronavirus disease 2019 (COVID-19)Clinical psychologyDisease

Résumé

récupéré en direct d'OpenAlex

AIM: To describe the self-reported mental health of nurses from 35 countries who worked during the COVID-19 pandemic. BACKGROUND: There is little occupationally specific data about nurses' mental health worldwide. Studies have documented the impact on nurses' mental health of the COVID-19 pandemic, but few have baseline referents. METHODS: A descriptive, cross-sectional design structured the study. Data reflect a convenience sample of 9,387 participants who completed the opt-in survey between July 31, 2022, and October 31, 2023. Descriptive statistics were run to analyze the following variables associated with mental health: Self-reports of mental health symptoms, burnout, personal losses during the pandemic, access to mental health services, and self-care practices used to cope with pandemic-related stressors. Reporting of this study was steered by the STROBE guideline for quantitative studies. RESULTS: Anxiety or depression occurred at rates ranging from 23%-61%, with country-specific trends in reporting observed. Approximately 18% of the sample reported experiencing some symptoms of burnout. The majority of nurses' employers did not provide mental health support in the workplace. Most reported more frequently engaging with self-care practices compared with before the pandemic. Notably, 20% of nurses suffered the loss of a family member, 35% lost a friend, and 34% a coworker due to COVID-19. Nearly half (48%) reported experiencing public aggression due to their identity as a nurse. CONCLUSIONS: The data obtained establish a basis for understanding the specific mental health needs of the nursing workforce globally, highlighting key areas for service development. IMPLICATIONS FOR NURSING POLICY: Healthcare organizations and governmental bodies need to develop targeted mental health support programs that are readily accessible to nurses to foster a resilient nursing workforce.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,099
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,104
Tête enseignante GPT0,523
Écart entre enseignants0,419 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations7
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Nursing ReviewMême sujetCOVID-19 and Mental HealthTravaux en français237 207