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 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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».