Educational needs for infection prevention and control during outbreaks: A qualitative study with health workers in Sri Lanka
Notice bibliographique
Résumé
BACKGROUND: Protecting the health workforce is essential to health systems resilience for emerging infectious disease (EID) outbreaks. We explored healthcare workers (HCWs) perceptions of infection prevention and control (IPC) guidelines and training needs for managing the Coronavirus Disease 2019 (COVID-19) pandemic in Sri Lanka as part of a larger study, which aimed to create role specific IPC guidelines for HCWs in low-and-middle-income countries (LMICs). METHODS: Using a qualitative descriptive approach, sixteen semi-structured interviews were conducted among hospital and public health HCWs including, physicians, nurses, public health midwives and support staff, such as cleaning staff, in Kalutara District of Sri Lanka. RESULTS: Interview findings are described under three themes: HCW workload during an EID outbreak; evolving EID management guidance and education during a public health emergency; and desired EID guidance and IPC education during a public health emergency. The COVID-19 pandemic increased staff workload across the spectrum; HCWs were provided with some form of IPC training but there were lapses in adherence; and staff were interested in having easy to use desk guides, training videos, formal training and access to all training material. CONCLUSION: A tailored approach to IPC education based on identified overall and key specific needs (such as training support staff) provides crucial information to improve HCW knowledge of IPC practices in Sri Lanka. In addition, IPC education must be extended to all HCWs to sustain best practices before, during, and after health 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 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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».