The impact of Balint work on alexithymia, perceived stress, perceived social support and burnout among physicians working in palliative care: a longitudinal study
Notice bibliographique
Résumé
OBJECTIVES: Physicians working with palliative patients have a substantial risk of emotional exhaustion because of their daily confrontation with suffering and death. Common concerns include alexithymia, high stress, low perceived social support and a greater burnout risk. This longitudinal study aimed to evaluate the effectiveness of Balint training in preventing the development of these symptoms in these medical professionals. MATERIAL AND METHODS: ). A split-plot ANOVA analysis was used for evaluating the significance of Balint groups participation, with gender and age considered as auxiliary variables. RESULTS: In the study group, Balint training significantly improved the scores of global burnout (F(1, 64) = 25.104, p < 0.0001), 2 of its components (emotional exhaustion (F(1, 64) = 18.390, p < 0.0001) and depersonalization (F(1, 64) = 10.957, p < 0.002), alexithymia (F(1, 64) = 3.461, p < 0.0001) and perceived social support (F(1, 64) = 57.883, p < 0.0001), but not the scores of perceived stress and low personal accomplishment. Gender had an additional contribution in decreasing alexithymia (F(1, 64) = 7.436, p < 0.009) and increasing perceived social support (F(1, 64) = 15.426, p < 0.0001), with higher effects in men. CONCLUSIONS: This study points to the potential usefulness of Balint training in addressing alexithymia and burnout, and in improving perceived social support among physicians working with palliative patients. As the Balint method is easily understood and does not require special investments, it could represent a cost-effective instrument of addressing job-related psychological risks. Int J Occup Med Environ Health. 2019;32(1):53-63.
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) | 0,001 | 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 | 0,001 |
| 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 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 ».