Exploring the impact of rural health system factors on physician burnout: a mixed-methods study in Northern Canada
Notice bibliographique
Résumé
BACKGROUND: Burnout among physicians is a consequence of chronic occupational stresses and emotionally intense work demands. However, much of the evidence exploring burnout is derived from urban settings and may not reflect the work and social contexts of physicians in Indigenous communities or in rural and resource-constrained areas. We sought to characterize health system factors that influence burnout among physicians practicing in the three northern territories of Canada. METHODS: We conducted a mixed-methods study that included an online survey and qualitative interviews with physicians practicing in Nunavut, Northwest Territories, or Yukon in 2019. The survey adapted content from the Maslach Burnout Inventory. Results were analyzed with logistic regression to assess the association between health system factors and burnout. We conducted in-depth interviews with 14 physicians. Qualitative data was coded and analyzed for themes using the ATLAS.ti software. RESULTS: Thirty-nine percent of survey respondents (n = 22/57) showed features associated with burnout. Factors associated with burnout included use of electronic medical records (β = - 0.7, p < .05), inadequate financial remuneration (β = - 1.0, p < .05), and cross-cultural issues (β = - 1.1, p < .05). Qualitative analysis further identified physician perceptions of lack of influence over health system policies, systemic failures in cultural safety, discontinuity of care, administrative burden, and physician turnover as important drivers of burnout. CONCLUSIONS: Physicians practicing in northern regions in Canada experience stress and burnout related to health system factors and cross-cultural issues. The relationship between cross-cultural issues and burnout has not previously been reported. This work may have implications for physician wellbeing and workforce attrition in other resource-constrained or culturally diverse clinical settings.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,012 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».