Burnout in Pediatric Emergency Medicine Physicians
Notice bibliographique
Résumé
OBJECTIVES: This study aims to determine the prevalence of and identify predictors associated with burnout in pediatric emergency medicine (PEM) physicians and to construct a predictive model for burnout in this population to stratify risk. METHODS: We conducted a cross-sectional electronic survey study among a random sample of board-certified or board-eligible PEM physicians throughout the United States and Canada. Our primary outcome was burnout assessed using the Maslach Burnout Inventory on 3 subscales: emotional exhaustion, depersonalization, and personal accomplishment. We defined burnout as scoring in the high-degree range on any 1 of the 3 subscales. The Maslach Burnout Inventory was followed by questions on personal demographics and work environment. We compared PEM physicians with and without burnout using multivariable logistic regression. RESULTS: We studied a total of 416 PEM board-certified/eligible physicians (61.3% women; mean age, 45.3 ± 8.8 years). Surveys were initiated by 445 of 749 survey recipients (59.4% response rate). Burnout prevalence measured 49.5% (206/416) in the study cohort, with 34.9% (145/416) of participants scoring in the high-degree range for emotional exhaustion, 33.9% (141/416) for depersonalization, and 20% (83/416) for personal accomplishment. A multivariable model identified 6 independent predictors associated with burnout: 1) lack of appreciation from patients, 2) lack of appreciation from supervisors, 3) perception of an unfair clinical work schedule, 4) dissatisfaction with promotion opportunities, 5) feeling that the electronic medical record detracts from patient care, and 6) working in a nonacademic setting (area under the receiver operating characteristic curve, 0.77). A predictive model demonstrated that physicians with 5 or 6 predictors had an 81% probability of having burnout, whereas those with zero predictors had a 28% probability of burnout. CONCLUSIONS: Burnout is prevalent in PEM physicians. We identified 6 independent predictors for burnout and constructed a scoring system that stratifies probability of burnout. This predictive model may be used to guide organizational strategies that mitigate burnout and improve physician well-being.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».