Evolution of stressors for healthcare workers over the COVID-19 pandemic
Notice bibliographique
Résumé
BACKGROUND: Many studies have documented exposure to psychosocial factors in healthcare workers (HCWs) during the coronavirus disease 2019 (COVID-19) pandemic. Few have done it prospectively with open-ended questions. AIMS: To describe the evolution of stress factors reported by HCWs during the pandemic. METHODS: A prospective cohort of 4964 HCWs (physicians, nurses, healthcare aides and personal support workers), from four Canadian provinces, received four online questionnaires between the spring 2020 and 2022. Responses to an open-ended question on stressful events were coded into 25 stressors. Multilevel logistic regressions assessed trends in stressors, and the effect of gender, occupation and age. RESULTS: In 2020, 91% of participants reported at least one stressor compared to 51% in spring 2022. Overall, eight stressors were reported 1000 times or more among 16 786 questionnaires. Five stressors decreased over time: fear of COVID-19, problems with personal protective equipment, changing guidelines, management of difficult cases and changes to work routine. Conversely, an increasing trend was noted for volume of work, and poor behaviour from the public or colleagues. Difficulties managing patients' deaths remained steady. Changes in stressors over time were similar by gender, professional role and age group, although the reporting of some stressors varied within subgroups. CONCLUSIONS: Reporting of most stressors decreased over the pandemic, except for stressors arising from the changing demands on staff and patients as the pandemic progressed. Such changes in workplace psychosocial factors need to be addressed by prevention programmes to ensure an appropriate support response to the needs of HCWs.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 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 ».