Burnout and Disengagement in Pathology: A Prepandemic Survey of Pathologists and Laboratory Professionals
Notice bibliographique
Résumé
CONTEXT.—: Despite widely prevalent burnout and attendant disengagement in medicine, the specific patterns and drivers within pathology and laboratory medicine are uncommonly studied. OBJECTIVE.—: To assess the prevalence and drivers of burnout among pathology and laboratory medicine professionals, retrospectively, prior to the COVID-19 pandemic. DESIGN.—: This was a cross-sectional, mixed-methods study engaging pathology and laboratory medicine professionals as subjects. RESULTS.—: Of 2363 respondents, 438 identified as pathologists, 111 as pathology assistants, and 911 as pathology and laboratory professionals. The burnout rate was 58.4% (1380 of 2363) across all respondents in pathology and laboratory medicine. Burnout varied by job role (P < .01) and was highest among pathology and laboratory professionals. Disparities in burnout rate were observed by race. Fifty-six percent (1323 of 2363) of respondents felt that they had at least 1 symptom of burnout and were advancing toward a breaking point. Underlying factors ranked highly among all groups included control over workload and loss of meaning in work. CONCLUSIONS.—: Data provided from this cohort may help departments create successful strategies to reduce disengagement and burnout in the laboratory, especially during periods of increased stress as experienced during the COVID-19 pandemic. Further, these data may serve as a baseline comparison for future studies.
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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».