Burnout in medical students before residency: A systematic review and meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Applying the concept of burnout to medical students before residency is relatively recent. Its estimated prevalence varies significantly between studies. Our objective was to estimate the prevalence of burnout in medical students worldwide. METHODS: We systematically searched Medline for English-language articles published between January 1, 2010 and December 31, 2017. We selected all the original studies about the prevalence of burnout in medical students before residency, using validated questionnaires for burnout. Statistical analyses were conducted using the OpenMetaAnalyst software. RESULTS: Prevalence of current burnout was extracted from 24 studies encompassing 17,431 medical students. Among them, 8060 suffered from burnout and we estimated the prevalence to be 44.2% [33.4%-55.0%]. The information about the prevalence of each subset of burnout dimensions was given in nine studies including 7588 students. Current prevalence was estimated to be 40.8% for 'emotional exhaustion' [32.8%-48.9%], 35.1% [27.2%-43.0%] for 'depersonalization' and 27.4% [20.5%-34.3%] for 'personal accomplishment'. There is no significant gender difference in burnout. The prevalence of burnout is slightly different across countries with a higher prevalence in Oceania and the Middle East than in other continents. CONCLUSIONS: The results of this meta-analysis suggest that one student out of two is suffering from burnout, even before residency. Again, our findings highlight the high level of distress in the medical population. These results should encourage the development of preventive strategies.
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.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 découle