The impact of the work environment on the health-related quality of life of Licensed Practical Nurses: a cross-sectional survey in four work environments
Notice bibliographique
Résumé
Abstract Background Nurses are known to have negative health outcomes related to their work. While it is acknowledged that nursing work is associated with things like back injuries and burnout, there is limited evidence as to what factors in the work environment contribute to these issues. Purpose The aims of this study were to assess how Licensed Practical Nurses (LPNs) report their Health-related quality of life (HRQoL), and how nurses’ health is impacted by their work environment. Methods These data used for analysis comes from a cross-sectional survey administered online to all LPNs in Alberta (2018). The survey collected data on the following variables: participant’s demographics, the SF-36 HRQoL, Practice Environment Scale of the Nursing Work Index (PES-NW) and the CD-RISC measure of resilience. The beta distribution was used to model HRQoL outcomes. In instances where optimal health (score of ‘1’) was observed then an extended version of beta distribution (called one—inflated beta) was applied. Results 4,425 LPNs responded to the survey. LPNs (mean age: 40) report lower scores on each SF-36 subscale than the general Canadian population aged 35–44. LPNs who work ‘causal’ had better physical health, (OR 1.21, CI 1.11–1.32, p = 0.000), and mental health (OR 1.22, CI 1.12–1.30, p = 0.000) than LPNs who work full time, even after controlling for resilience. LPNs’ views on the adequacy of staffing and resources in their workplaces have an influence across all dimensions of health. Conclusion This study suggests that improvements in the work environment could positively impact health outcomes and that adequate resourcing could support the 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 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) | 0,021 | 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 ».