Burnout in oncology: Magnitude, risk factors and screening among professionals from Middle East and North Africa (BOMENA study)
Notice bibliographique
Résumé
BACKGROUND: Burnout (BO) among oncology professionals (OP) is increasingly being recognized. Early recognition and intervention can positively affect the quality of care and patient safety. This study investigated the prevalence, work and lifestyle factors affecting BO among OPs in the Middle East and North Africa (MENA). METHODS: An online survey was conducted among MENA OPs between 10 February and 15 March 2020, using the validated Maslach Burnout Inventory of emotional exhaustion (EE), depersonalization (DP) and personal accomplishment (PA), including questions regarding demography/work-related factors and attitudes towards oncology. Data were analysed to measure BO prevalence and risk factors and explore a screening question for BO. RESULTS: Of 1054 respondents, 1017 participants (64% medical oncologists, 77% aged less than 45 years, 55% female, 74% married, 67% with children and 40% practiced a hobby) were eligible. The BO prevalence was 68% with high levels of EE and DP (35% and 57% of participants, respectively) and low PA scores (49%). BO was significantly associated with age less than 44 years, administrative work greater than 25% per day and the thought of quitting oncology (TQ). Practising a hobby, enjoying oncology communication and appreciating oncology work-life balance were associated with a reduced BO score and prevalence. North African countries reported the highest BO prevalence. Lack of BO education/support was identified among 72% of participants and TQ-predicted burnout in 77%. CONCLUSIONS: This is the largest BO study in MENA. The BO prevalence was high and several modifiable risk factors were identified, requiring urgent action. TQ is a simple and reliable screening tool for BO.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 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 ».