To burn-out or not to burn-out: a cross-sectional study in healthcare professionals in Spain during COVID-19 pandemic
Notice bibliographique
Résumé
OBJECTIVE: To assess the prevalence of burn-out syndrome in healthcare workers working on the front line (FL) in Spain during COVID-19. DESIGN: Cross-sectional, online survey-based study. SETTINGS: Sampling was performed between 21st April and 3rd May 2020. The survey collected demographic data and questions regarding participants' working position since pandemic outbreak. PARTICIPANTS: Spanish healthcare workers working on the FL or usual ward were eligible. A total of 674 healthcare professionals answered the survey. MAIN OUTCOMES AND MEASURES: Burn-out syndrome was assessed by the Maslach Burnout Inventory-Medical Personnel. RESULTS: Of the 643 eligible responding participants, 408 (63.5%) were physicians, 172 (26.8%) were nurses and 63 (9.8%) other technical occupations. 377 (58.6%) worked on the FL. Most participants were women (472 (73.4%)), aged 31-40 years (163 (25.3%)) and worked in tertiary hospitals (>600 beds) (260 (40.4%)). Prevalence of burn-out syndrome was 43.4% (95% CI 39.5% to 47.2%), higher in COVID-19 FL workers (49.6%, p<0.001) than in non- COVID-19 FL workers (34.6%, p<0.001). Women felt more burn-out (60.8%, p=0.016), were more afraid of self-infection (61.9%, p=0.021) and of their performance and quality of care provided to the patients (75.8%, p=0.015) than men. More burn-out were those between 20 and 30 years old (65.2%, p=0.026) and those with more than 15 years of experience (53.7%, p=0.035).Multivariable logistic regression analysis revealed that, working on COVID-19 FL (OR 1.93; 95% CI 1.37 to 2.71, p<0.001), being a woman (OR 1.56; 95% CI 1.06 to 2.29, p=0.022), being under 30 years old (OR 1.75; 95% CI 1.06 to 2.89, p=0.028) and being a physician (OR 1.64; 95% CI 1.11 to 2.41, p=0.011) were associated with high risk of burn-out syndrome. CONCLUSIONS: This survey study of healthcare professionals reported high rates of burn-out syndrome. Interventions to promote mental well-being in healthcare workers exposed to COVID-19 need to be immediately implemented.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».