Moral Distress and Moral Injury Among Attending Neurosurgeons: A National Survey
Notice bibliographique
Résumé
BACKGROUND: "Moral distress" describes the psychological strain a provider faces when unable to uphold professional values because of external constraints. Recurrent or intense moral distress risks moral injury, burnout, and physician attrition but has not been systematically studied among neurosurgeons. OBJECTIVE: To develop a unique instrument to test moral distress among neurosurgeons, evaluate the frequency and intensity of scenarios that may elicit moral distress and injury, and determine their impact on neurosurgical burnout and turnover. METHODS: An online survey investigating moral distress, burnout, and practice patterns was emailed to attending neurosurgeon members of the Congress of Neurological Surgeons. Moral distress was evaluated through a novel survey designed for neurosurgical practice. RESULTS: A total of 173 neurosurgeons completed the survey. Half of neurosurgeons (47.7%) reported significant moral distress within the past year. The most common cause was managing critical patients lacking a clear treatment plan; the most intense distress was pressure from patient families to perform futile surgery. Multivariable analysis identified burnout and performing ≥2 futile surgeries per year as predictors of distress (P < .001). Moral distress led 9.8% of neurosurgeons to leave a position and 26.6% to contemplate leaving. The novel moral distress survey demonstrated excellent internal consistency (Cronbach alpha = 0.89). CONCLUSION: We developed a reliable survey assessing neurosurgical moral distress. Nearly, half of neurosurgeons suffered moral distress within the past year, most intensely from external pressure to perform futile surgery. Moral distress correlated with burnout risk caused 10% of neurosurgeons to leave a position and a quarter to consider leaving.
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 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,006 |
| 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 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 ».