Burnout among oncologists and oncology nurses: A systematic review and meta-analysis.
Notice bibliographique
Résumé
BACKGROUND: Significant proportions of burnout have been reported among both oncologists and oncology nurses. However, these groups have not been compared in a meta-analytic design. It is important to compare how burnout affects different types of health professionals to understand its individual implications and devise ways of minimizing and treating it. OBJECTIVE: The current meta-analysis study aimed to systematically compare burnout prevalence between oncologists and oncology nurses. METHOD: Authors assessed 34 studies (four included nurses and oncologists and 30 focused either on oncologists or oncology nurses) that used the Maslach Burnout Inventory (MBI) to measure burnout. Both fixed- and random-effects models were used to calculate meta-analytic estimates of the burnout subscales: emotional exhaustion (EE), depersonalization (DP), and personal accomplishment (PA). RESULTS: The pooled sample size was 4,705 oncologists and 6,940 oncology nurses. The average proportions of EE, DP, and PA were 32%, 26%, and 25%, respectively, among oncologists and 32%, 21%, and 26%, respectively, among oncology nurses. Higher DP was found among oncologists compared with oncology nurses, only in the analysis of studies that included samples of both oncologists and oncology nurses. The subgroup analysis showed higher levels of DP in Europe and Asia and lower PA in Asia and Canada. No evidence of publication bias was found. CONCLUSIONS: Findings suggest differences in burnout between oncologists and oncology nurses and among geographic regions. This highlights the need for tailored interventions for different professions and regions. Hospitals should provide support and encourage teamwork to improve oncology professionals' well-being and provide optimal care for patients. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,027 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».