Association Between Empathy and Burnout Among Emergency Medicine Physicians
Notice bibliographique
Résumé
BACKGROUND: The association between physician self-reported empathy and burnout has been studied in the past with diverse findings. We aimed to determine the association between empathy and burnout among United States emergency medicine (EM) physicians using a novel combination of tools for validation. METHODS: This was a prospective single-center observational study. Data were collected from EM physicians. From December 1, 2018 to January 31, 2019, we used the Jefferson scale of empathy (JSE) to assess physician empathy and the Copenhagen burnout inventory (CBI) to assess burnout. We divided EM physicians into different groups (residents in each year of training, junior/senior attendings). Empathy, burnout scores and their association were analyzed and compared among these groups. RESULTS: A total of 33 attending physicians and 35 EM residents participated in this study. Median self-reported empathy scores were 113 (interquartile range (IQR): 105 - 117) in post-graduate year (PGY)-1, 112 (90 - 115) in PGY-2, 106 (93 - 118) in PGY-3 EM residents, 112 (105 - 116) in junior and 114 (101 - 125) in senior attending physicians. Overall burnout scores were 43 (33 - 50) in PGY-1, 51 (29 - 56) in PGY-2, 43 (42 - 53) in PGY-3 EM residents, 33 (24 - 47) in junior attending and 25 (22 - 53) in senior attending physicians separately. The Spearman correlation (ρ) was -0.11 and β-weight was -0.23 between empathy and patient-related burnout scores. CONCLUSION: Self-reported empathy declines over the course of EM residency training and improves after graduation. Overall high burnout occurs among EM residents and improves after graduation. Our analysis showed a weak negative correlation between self-reported empathy and patient-related burnout among EM physicians.
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 | 0,023 | 0,039 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 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 ».