Agresiones y violencia sufrida por los cardiólogos de Latinoamérica durante la pandemia de COVID-19: subestudio de la encuesta de violencia de SIAC
Bibliographic record
Abstract
Introducción: La violencia contra el personal de salud es un problema complejo, que parece haberse incrementado por la pandemia de COVID-19. Nos propusimos explorar las diferencias de estos hechos entre cardiólogos y otros médicos de Latinoamérica. Método: Encuesta electrónica con un muestreo no probabilístico por conveniencia al personal médico y no médico de Latinoamérica que desempeñó tareas asistenciales desde marzo de 2020. Resultados: Respondieron a la encuesta 3,544 participantes de 19 países: el 70.8% eran médicos, con una edad promedio de 43.0 ± 11.3 años; el 51.9% eran mujeres. El 84.7% de los participantes tenían alguna especialidad, de los cuales el 34.5% eran cardiólogos. El 58.4% de los médicos informó haber experimentado violencia, siendo esto menos frecuente entre los cardiólogos (40.0 vs. 66.0%; p < 0.001). Las agresiones más comunes fueron realizadas por familiares, pacientes y terceros (56.2%), con una frecuencia similar entre cardiólogos y otros especialistas (34.3 vs. 36.2%, p = 0.261). El 75.0% de los participantes que sufrieron violencia manifestaron haber experimentado síntomas como reviviscencia, evasión, hipervigilancia, alteraciones cognitivas y del estado de ánimo. El 25.1% de los médicos agredidos denunciaron estos hechos. Además, el 59.9% consideró cambiar sus actividades asistenciales y el 34.5% consideró abandonar la profesión, siendo ligeramente más frecuente entre otros especialistas que entre cardiólogos (36.1 vs. 28.1%, p = 0.010). Conclusiones: Encontramos altas tasas de violencia hacia los médicos de Latinoamérica durante la pandemia de COVID-19. Si bien esto fue menos frecuente entre cardiólogos, sus repercusiones en la esfera psicofísica y su actitud hacia la profesión fue similar en todos los profesionales.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".