Burnout Syndrome Among Anesthesia Providers Working in Public Hospitals in Rwanda: A Cross-Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: Many studies address anesthesia provider burnout in high-income countries; however, there is a paucity of data on burnout for anesthesia providers in low-income countries (LICs). Our objectives were (1) to evaluate the prevalence of burnout among anesthesia providers in Rwandan hospitals and (2) to determine factors associated with burnout among anesthesia providers in Rwandan hospitals. METHODS: A questionnaire was sent to selected Rwandan anesthesia providers working in public hospitals. The questionnaire assessed burnout using the Maslach Burnout Inventory Human Services Survey, a validated 22-item survey used to measure burnout among health professionals. Sociodemographic and work-related factors found to be associated with burnout were also assessed using logistic regression in a Bayesian framework to estimate odds ratios (OR) and associated credible intervals (CrIs). RESULTS: Surveys were distributed to 137 Rwandan anesthesia providers; 99 (72.3%) were returned. Sixty-six (67%) respondents were nonphysician anesthesia providers. Burnout was present in 26 of 99 (26.3%) participants (95% confidence interval [CI], 17.9-36.1). When considering weakly informative priors, we found a 99% probability that not having the right team (OR, 5.36%; 95 CrI, 1.34-23.53) and the frequency of seeing patients with negative outcomes such as death or permanent disability (OR, 9.62; 95% CrI, 2.48-42.84) were associated with burnout. CONCLUSIONS: In a cross-sectional survey of anesthesia providers in Rwanda, more than a quarter of respondents met the criteria for burnout. Lacking the right team and seeing negative outcomes were associated with higher burnout rate. These identified factors should be addressed to prevent the negative consequences of burnout, such as poor patient outcomes.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».