Prevalence of Burnout in Medical and Surgical Residents: A Meta-Analysis
Notice bibliographique
Résumé
The burnout syndrome is characterized by emotional exhaustion, depersonalization, and reduced personal achievement. Uncertainty exists about the prevalence of burnout among medical and surgical residents. Associations between burnout and gender, age, specialty, and geographical location of training are unclear. In this meta-analysis, we aimed to quantitatively summarize the global prevalence rates of burnout among residents, by specialty and its contributing factors. We searched PubMed, PsycINFO, Embase, and Web of Science to identify studies that examined the prevalence of burnout among residents from various specialties and countries. The primary outcome assessed was the aggregate prevalence of burnout among all residents. The random effects model was used to calculate the aggregate prevalence, and heterogeneity was assessed by I2 statistic and Cochran’s Q statistic. We also performed meta-regression and subgroup analysis. The aggregate prevalence of burnout was 51.0% (95% CI: 45.0–57.0%, I2 = 97%) in 22,778 residents. Meta-regression found that the mean age (β = 0.34, 95% CI: 0.28–0.40, p < 0.001) and the proportion of males (β = 0.4, 95% CI = 0.10–0.69, p = 0.009) were significant moderators. Subgroup analysis by specialty showed that radiology (77.16%, 95% CI: 5.99–99.45), neurology (71.93%, 95% CI: 65.78–77.39), and general surgery (58.39%, 95% CI: 45.72–70.04) were the top three specialties with the highest prevalence of burnout. In contrast, psychiatry (42.05%, 95% CI: 33.09–51.58), oncology (38.36%, 95% CI: 32.69–44.37), and family medicine (35.97%, 95% CI: 13.89–66.18) had the lowest prevalence of burnout. Subgroup analysis also found that the prevalence of burnout in several Asian countries was 57.18% (95% CI: 45.8–67.85); in several European countries it was 27.72% (95% CI: 17.4–41.11) and in North America it was 51.64% (46.96–56.28). Our findings suggest a high prevalence of burnout among medical and surgical residents. Older and male residents suffered more than their respective counterparts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,058 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».