Self in medicine: Determinants of physician well‐being and future directions in improving wellness
Notice bibliographique
Résumé
CONTEXT: Medicine, a profession dedicated to the wellness of patients, is struggling with a crisis of physician and trainee wellness. Physicians and trainees are burning out at alarming rates. Historically, medicine has been characterised by challenging working conditions and inattention to physician wellness and self-care. Healthy physicians are better at promoting wellness to their patients, and physicians who are suffering from burnout can deliver compromised patient care. DISCUSSION: In recent years, research has increasingly focused on the causes of unwellness among doctors, and a broad range of health determinants have been identified. Studies of interventions for improving trainee and physician wellness have identified individual-focused and organisational approaches that can address the root causes of burnout. Insights from the corporate workplace may help guide interventions. Strategies for addressing physician burnout and improving wellness will involve innovative and multifaceted approaches. Despite a growing emphasis of physician wellness in the literature, implementation of wellness interventions is lagging, and quality improvement methods can address these challenges. CONCLUSION: Physician wellness is a shared responsibility among doctors, health care organisations and governing bodies. Addressing burnout and improving physician wellness will require transformational change and the embracement of a culture of wellness in medicine. Quality improvement methods are the next step in identifying effective wellness interventions and the targeted groups of physicians and trainees who will most benefit.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».