Physician stress and burnout: the impact of health information technology
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
Objective: To quantify how stress related to use of health information technology (HIT) predicts burnout among physicians. Methods: All 4197 practicing physicians in Rhode Island were surveyed in 2017 on their HIT use. Our main outcome was self-reported burnout. The presence of HIT-related stress was defined by report of at least 1 of the following: poor/marginal time for documentation, moderately high/excessive time spent on the electronic health record (EHR) at home, and agreement that using an EHR adds to daily frustration. We used logistic regression to assess the association between each HIT-related stress measure and burnout, adjusting for respondent demographics, practice characteristics, and the other stress measures. Results: Of the 1792 physician respondents (43% response rate), 26% reported burnout. Among EHR users (91%), 70% reported HIT-related stress, with the highest prevalence in primary care-oriented specialties. After adjustment, physicians reporting poor/marginal time for documentation had 2.8 times the odds of burnout (95% CI: 2.0-4.1; P < .0001), compared to those reporting sufficient time. Physicians reporting moderately high/excessive time on EHRs at home had 1.9 times the odds of burnout (95% CI: 1.4-2.8; P < .0001), compared to those with minimal/no EHR use at home. Those who agreed that EHRs add to their daily frustration had 2.4 times the odds of burnout (95% CI: 1.6-3.7; P < .0001), compared to those who disagreed. Conclusion: HIT-related stress is measurable, common (about 70% among respondents), specialty-related, and independently predictive of burnout symptoms. Identifying HIT-specific factors associated with burnout may guide healthcare organizations seeking to measure and remediate burnout among their physicians and staff.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle