Exploring the Impact of <scp>COVID</scp> ‐19 on Acute Care Nurses: An Integrative Review
Notice bibliographique
Résumé
AIM: To analyse, critique, and synthesise available research to create a unique framework of the impacts of COVID-19 on acute care nurses. METHODS: Whittemore and Knafl's framework was used to organise this review. The Mixed Methods Appraisal Tool was used for quality analysis. DATA SOURCES: CINAHL, MEDLINE, Web of Science, Scopus and the National Institute of Health COVID-19 database were searched. RESULTS: Twenty-five articles were included. Impacts on acute care nurses came from changes, access to resources, interrupted relationships, and the virus itself. The outcomes from nurses were categorised as positive, physical, emotional responses, leaving and mental disorders. These outcomes were mediated by making connections, coping, learning and experience, and finding meaning. CONCLUSION: Nurses working in acute care during COVID-19 were faced with immense stressors in a tumultuous and dangerous time. The vastly negative outcomes were less surprising than the fact nurses were left to find mitigating factors on their own. Given the large attrition from nursing that occurred and is still occurring, health systems that can both lessen the impacts and strengthen the buffering effects of mediating factors may fare better when the next pandemic comes. IMPLICATIONS: Lessons learned can be used to prepare for future pandemics. Nurses should be at the forefront of all planning whether through education, policy, or research. Having a framework allows for a more comprehensive understanding and provides an underpinning for future action. The possibility for impact spans nurses across the globe who have worked, and who may work, during a pandemic. This framework provides a basis for changes related to pandemic planning throughout nursing domains. REPORTING METHOD: The researcher has adhered to the Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA) statement. No Patient or Public Contribution.
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 | 0,010 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,017 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».