Burnout Among Nephrologists in the United States: A Survey Study
Notice bibliographique
Résumé
Rationale & Objective: Burnout decreases job satisfaction and leads to poor patient outcomes but remains underinvestigated in nephrology. We explored the prevalence and determinants of burnout among a sample of nephrologists. Study Design: Cross-sectional. Setting & Participants: The nephrologists were approached via the American Medical Association Physicians Masterfile, National Kidney Foundation listserv, email, and social media between April and August 2019. The predictors were demographics and practice characteristics. The outcome was burnout, defined as responding "once a week" or more on either 1 of the 2 validated measures of emotional exhaustion and depersonalization or both. Analytical Approach: tests. Multivariable logistic regression was used to estimate the odds ratios (ORs) of burnout for risk factors. Free text responses were thematically analyzed. Results: About half of 457 respondents were 40-59 years old (n=225; 49.2%), and the respondents were more predominantly men (n=296; 64.8%), US medical graduates (n=285; 62.4%), and in academic practice (n=286; 62.6%). Overall, 106 (23.2%) reported burnout. The most commonly reported primary drivers of burnout were the number of hours worked (n=27; 25.5%) and electronic health record requirements (n=26; 24.5%). Caring for ≤25 versus 26-75 patients per week (OR, 0.34; 95% confidence interval [95% CI], 0.15-0.77), practicing in academic versus nonacademic settings (OR, 0.33; 95% CI, 0.21-0.54), and spending time on other responsibilities versus patient care (OR, 0.32; 95% CI, 0.17-0.61) were each independently associated with nearly 70% lower odds of burnout after adjusting for age, sex, race, and international medical graduate status. The free text responses emphasized disinterested health care systems and dissatisfaction with remuneration as the drivers of burnout. Limitations: Inability to precisely capture response rate. Conclusions: Nearly one-quarter of the nephrologists in our sample reported burnout. Future studies should qualitatively investigate how the care setting, time spent on electronic medical records, and hours of clinical care drive burnout and explore other system-level drivers of burnout in nephrology.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».