Self-Reported Preferences for Help-Seeking and Barriers to Using Mental Health Supports Among Internal Medicine Residents: Exploratory Use of an Econometric Best-Worst Scaling Framework for Gathering Physician Wellness Preferences
Notice bibliographique
Résumé
BACKGROUND: Burnout interventions are limited by low use. Understanding resident physician preferences for burnout interventions may increase utilization and improve the assessment of these interventions. OBJECTIVE: This study aims to use an econometric best-worst scaling (BWS) framework to survey internal medicine resident physicians to establish help-seeking preferences for burnout and barriers to using wellness supports by quantifying selections for 7 wellness support options and 7 barriers. METHODS: Internal medicine resident physicians at our institution completed an anonymous web-based BWS survey during the 2020-2021 academic year. This cross-sectional study was analyzed with multinomial logistic regression and latent class modeling to determine the relative rank ordering of factors for seeking support for burnout and barriers to using wellness supports. Analysis of variance with Tukey honest significant difference posthoc test was used to analyze differences in mean utility scores representing choice for barriers and support options. RESULTS: Of the 163 invited residents, 77 (47.2% response rate) completed the survey. Top-ranking factors for seeking wellness supports included seeking informal peer support (best: 71%; worst: 0.6%) and support from friends and family (best: 70%; worst: 1.6%). Top-ranking barriers to seeking counseling included time (best: 75%; worst: 5%) and money (best: 35%; worst: 21%). CONCLUSIONS: Overall, our findings suggest that low utilization of formal mental health support is reflective of resident preferences to seek help informally and that increasing utilization will require addressing pragmatic barriers of time and cost. Assessing physician preferences for wellness-related initiatives may contribute to understanding the low utilization of formal mental health services among physicians, which can be determined using a BWS framework.
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 | 0,013 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».