Tuberculosis-Related Knowledge, Attitudes, and Practices Among Healthcare Workers in Atlantic Canada: A Descriptive Study
Notice bibliographique
Résumé
Introduction: Despite the key role of healthcare workers (HCWs) in tuberculosis (TB) prevention and control, there is a lack of regional data on their knowledge, attitudes, and practices (KAPs) regarding the disease in Atlantic Canada. Objectives: To assess the KAPs of HCWs and identify targets for educational interventions to enhance TB care and control. Methods: A cross-sectional study was conducted among HCWs in Atlantic Canada aged ≥19 years from October 2023 to February 2024. Participants were recruited via multiple channels such as social media, collegiate email lists, and snowball sampling. Survey data were collected using an online platform and analyzed using IBM SPSS Statistics v29. KAPs were assessed using Likert-type scales and internal consistency was evaluated using Cronbach’s alpha. Results: A total of 157 HCWs participated in this study (age range: 19 to 69 years); most were women (n = 145, 92%), born in Canada (n = 134, 85.4%), with nearly three-quarters (n = 115, 73.2%) who had never lived outside of Canada. Study participants demonstrated moderately high knowledge (M = 29.32, SD = 3.25) and positive attitudes (M = 3.87, SD = 0.37) towards TB and strong practices (M = 4.24, SD = 0.69) in TB care; however, gaps were identified in HCW abilities to recognize less common TB symptoms (e.g., rash and nausea), as well as inconsistent practices in ventilation and pre-treatment initiation. Internal consistency analysis indicated suboptimal reliability across all three KAP domains, with Cronbach’s alpha values falling below 0.7, thwarting further planned analyses. Conclusions: This study found overall moderate-to-strong TB-related KAPs among HCWs in Atlantic Canada; however, critical gaps in knowledge and practice were noted. This new information can now guide future educational initiatives and targeted training to enhance TB preparedness and ensure equitable care for patients in the region.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».