Profiles of Burnout and Response to the COVID-19 Pandemic Among General Surgery Residents at a Large Academic Training Program
Notice bibliographique
Résumé
Background COVID-19 has placed demands on General Surgery residents, who are already at high risk of burnout. This study examined the pandemic’s impact on burnout and wellness among General Surgery residents at a large training program. Methods General Surgery residents at our institution completed a survey focused on self-reported burnout, mental health, perceptions of wellness resources, and changes in activities during the pandemic. Burnout was measured using the Maslach Burnout Inventory (MBI). Unsupervised machine learning ( k-means clustering) was used to identify profiles of burnout and comparisons between profiles were made. Results Of 82 eligible residents, 51 completed the survey (62% response rate). During COVID-19, 63% of residents had self-described burnout, 43% had depression, 18% acknowledged binge drinking/drug use, and 8% had anxiety. There were no significant differences from pre-pandemic levels ( p all >.05). Few residents perceived available wellness resources as effective (6%). Based on MBI scores, the clustering analysis identified three clusters, characterized as “overextended”, “engaged”, and “ineffective”. Engaged residents had the least concerning MBI scores and were significantly more likely to exercise, retain social contact during the pandemic, and had less self-reported anxiety or depression. Research residents were overrepresented in the ineffective cluster (46%), which had high rates of self-reported burnout (77%) and was characterized by the lowest personal accomplishment scores. Rates of self-reported burnout for overextended and engaged residents were 73% and 48%, respectively. Conclusion Surgical residents have high rates of self-reported burnout and depression during the COVID-19 pandemic. Clusters of burnout may offer targets for individualized intervention.
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 | 0,004 |
| 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 | 0,001 |
| 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 ».