High prevalence of burnout syndrome among medical and nonmedical residents during the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract Background Since the beginning of the COVID-19 pandemic, health professionals have been working under extreme conditions, increasing the risk of physical and mental illness. We evaluated the prevalence of burnout and its associated factors among postgraduate student residents in health professions during the global health crisis. Methods Healthcare residents were recruited from all across Brazil between July and September 2020 through digital forms containing instruments for assessing burnout (Oldenburg Burnout Inventory (OLBI)), resilience (brief resilient coping scale (BRCS)) and anxiety, stress and depression (depression, anxiety and stress scale (DASS-21) and Patient Health Questionnaire (PHQ-9)). Additionally, the relationships between burnout and chronic diseases, autonomy and educational adequacy in the residency programme, personal protective equipment (PPE), workload and care for patients with COVID-19 were evaluated. The chi-square test, Student’s t test, Pearson’s correlation test and logistic regression were performed. Results A total of 1,313 participants were included: mean (standard deviation) age, 27.8 (4.4) years; female gender, 78.1%; white race, 59.3%; and physicians, 51.3%. The overall prevalence of burnout was 33.4%. The odds (odds ratio [95% confidence interval]) of burnout were higher in the presence of pre-existing diseases (1.76 [1.26– 2.47]) and weekly work > 60 h (1.36 [1.03–1.79]) and were lower in the presence of high resilience (0.84 [0.81–0.88]), autonomy (0.87 [0.81–0.93]), and educational structure (0.77 [0.73–0.82]), adequate availability of PPE (0.72 [0.63–0.83]) and non-white race (0.63 [0.47–0.83]). Burnout was correlated with anxiety (r = 0.47; p < 0.05), stress (r: 0.58; p < 0.05) and depression (r: 0.65; p < 0.05). Conclusions We observed a high prevalence of burnout among residents during the COVID-19 pandemic. Individual characteristics and conditions related to the work environment were associated with a higher or lower occurrence of the syndrome.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».