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 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 | 0,001 | 0,002 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».