Burnout in Diplomates of the American Board of Physical Medicine and Rehabilitation—Prevalence and Potential Drivers: A Prospective Cross‐Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: Physician burnout is of growing concern. Burnout among physical medicine and rehabilitation (PM&R) physicians has shown a significant increase, positioning PM&R as one of the most "burned out" of specialties. Little has been written about potential factors contributing to physiatrist burnout or potential interventions. OBJECTIVE: To determine the prevalence of burnout among physiatrists and identify risk factors for burnout and potential strategies to decrease burnout among physiatrists. DESIGN: Prospective cross-sectional survey. SETTING: National survey of board certified physiatrists. PARTICIPANTS: One thousand five hundred thirty-six physiatrists certified by the American Board of PM&R. OUTCOME: The Mini-Z Burnout Survey, 1 question from the Maslach Burnout Scale on callousness toward patients, and several potential drivers of burnout. The probability of burnout, identified by question 3 on the Mini-Z, was the dependent variable. Other questions on the Mini-Z were explored as independent variables using logistic regression. RESULTS: Seven hundred seventy physiatrists (50.7%) fulfilled the definition of burnout. Only 38% of physiatrists reported not becoming more callous toward patients. The top 3 causes of burnout identified by physiatrists were increasing regulatory demands, workload and job demands, and practice inefficiency and lack of resources. Higher burnout rate was associated with high levels of job stress and working more hours per week. Lower burnout rates were associated with higher job satisfaction, control over workload, professional values aligned with those of department leaders, and sufficient time for documentation. There was no significant association between burnout and sex, years in practice, practice focus, or practice area. CONCLUSION: Burnout is a significant problem among PM&R physicians and is pervasive throughout the specialty. Opportunities exist to address major contributing drivers of burnout relating to practice patterns and efficiency of care within PM&R. These opportunities are, to varying degrees, under the control of hospital leaders, practice administrators, and practitioners.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».