Factors influencing fatigue in UK nurses working in respiratory clinical areas during the second wave of the Covid-19 pandemic: An online survey
Notice bibliographique
Résumé
Aims and objectives: This study explores UK nurses' experiences of working in a respiratory clinical area during the COVID-19 pandemic over winter 2020. Background: During the first wave of the pandemic, nurses working in respiratory clinical areas experienced significant levels of anxiety and depression. As the pandemic has progressed, levels of fatigue in nurses have not been assessed. Methods: A cross-sectional e-survey was distributed via professional respiratory societies and social media. The survey included Generalised Anxiety Disorder Assessment (GAD7), Patient Health Questionnaire (PHQ9, depression), a resilience scale (RS-14) and Chalder mental and physical fatigue tools. The STROBE checklist was followed as guidance to write the manuscript. Results: Despite reporting anxiety and depression, few nurses reported having time off work with stress, most were maintaining training and felt prepared for COVID challenges in their current role. Nurses reported concerns over safety and patient feedback was both positive and negative. A quarter of respondents reported wanting to leave nursing. Nurses experiencing greater physical fatigue reported higher levels of anxiety and depression. Conclusions: Nurses working in respiratory clinical areas were closely involved in caring for COVID-19 patients. Nurses continued to experience similar levels of anxiety and depression to those found in the first wave and reported symptoms of fatigue (physical and mental). A significant proportion of respondents reported considering leaving nursing. Retention of nurses is vital to ensure the safe functioning of already overstretched health services. Nurses would benefit from regular mental health check-ups to ensure they are fit to practice and receive the support they need to work effectively. Relevance to clinical practice: A high proportion of nurses working in respiratory clinical areas have been identified as experiencing fatigue in addition to continued levels of anxiety, depression over winter 2020. Interventions need to be implemented to help provide mental health support and improve workplace conditions to minimise PTSD and burnout.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».