Investigation of burnout syndrome and job‐related risk factors in veterinary technicians in specialty teaching hospitals: a multicenter cross‐sectional study
Notice bibliographique
Résumé
OBJECTIVES: To investigate veterinary technician burnout and associations with frequency of self-reported medical error, resilience, and depression and job-related risk factors. DESIGN: Cross-sectional observational study using an anonymous survey conducted between November 2017 and June 2018. SETTING: Four referral teaching hospitals in the United States and Canada. SUBJECTS: A total of 344 veterinary technicians were invited to participate. Response rate was 95%. Overall 256 surveys were ultimately analyzed. INTERVENTIONS: Burnout, depression, and resilience were measured using validated instruments. Respondents reported perceptions of workload, working environment, and medical error frequency. Associations between burnout and factors related to physical work environment, workload and schedule, compensation package, interpersonal relationships, intellectual enrichment, and exposure to ethical conflicts were analyzed. MEASUREMENTS AND MAIN RESULTS: Burnout, characterized by high emotional exhaustion, depersonalization, and low sense of personal accomplishment was common, and was positively associated with perceived medical errors, desire to change career, and depression. Burnout levels on all 3 burnout subscales were higher in this population than previously reported for a contemporaneous group of trauma nurses working with human patients (P < 0.05). Burnout was negatively associated with resilience. Respondents' feelings of fear or anxiety around supervisor communications, perception that patient load was too high to allow for excellent patient care, and perceived lack of available assistance during sudden workload increases were all associated with burnout. CONCLUSIONS: Burnout in veterinary technicians is common and is associated with numerous undesirable outcomes. Work-related interventions to reduce burnout should focus on improving supervisor relationships and maintaining an appropriate patient:caregiver ratio.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».