Factors associated with burnout among medical laboratory professionals in Ontario, Canada: An exploratory study during the second wave of the COVID‐19 pandemic
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to examine factors associated with burnout among medical laboratory technologists (MLT) in Ontario, Canada during the second wave of coronavirus disease 2019 pandemic. METHODS: We employed a cross-sectional design and used a self-reported questionnaire designed for MLT in Ontario, Canada. RESULTS: There were 441 (47.5% response rate) MLT who were included in the analytic sample. Most of the respondents were women, with a mean age of 43.1 and a standard deviation of 11.7. The prevalence of experiencing burnout was 72.3% for MLT. In the adjusted demographic model, those ≥50 (OR = 0.36, 95% CI: 0.22-0.59) were 0.36 or about one third as likely to experience burnout as those under 50. Similarly, those who held a university degree were less likely to experience burnout compared with high school degree (OR = 0.35, 95% CI: 0.15-0.79). In the adjusted occupational model, high quantitative demands (OR = 2.15, 95% CI: 1.21-3.88), high work pace (OR = 2.21, 95% CI: 1.25-3.98), high job insecurity (OR = 2.56, 95% CI: 1.39-4.82), high work life conflict (OR = 5.08, 95% CI: 2.75-9.64) and high job satisfaction (OR = 0.43, 95% CI: 0.20-0.88), high self-rated health (OR = 0.32, 95% CI: 0.17-0.56) were significant. CONCLUSION: This study provides preliminary evidence regarding the factors associated with burnout in MLT. Additional research is needed to understand their relationship with workers health and well-being and in the delivery of health services.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».