Burnout of Support Personnel in the Cardiac Catheterization Laboratory
Notice bibliographique
Résumé
Background: Healthcare professionals experience stressors in the workplace, putting them at elevated risk for burnout. The cardiac catheterization lab is a dynamic environment with high-acuity patients; however, little has been published investigating burnout syndrome among healthcare workers. The aim of the study was to identify the prevalence, demographic, and workload factors, which contribute to burnout syndrome among this population. Methods: This is a multicenter cross-sectional study assessing burnout with the Maslach Burnout Inventory (MBI) among registered nurses and registered cardiac invasive specialists working in the catheterization/electrophysiology lab and cardiac observation unit at four hospital centers in the metro Detroit area. Results: Of the 48 participants, 69% (n = 33) were female. The overall prevalence of burnout syndrome was 33% (n = 16). Significantly more males experienced burnout than females (P < 0.05). Of the participants experiencing burnout, a greater proportion worked in the catheterization lab compared to the cardiac observation unit (93.8% vs. 6.3%). Burned-out participants worked on average more day shifts, ST-segment elevation myocardial infarction (STEMI) call shifts, and extended day shifts per month compared to those not experiencing burnout. The rate of burnout was significantly higher for individuals reporting increased stress during the pandemic (69% vs. 18%, P < 0.05). Conclusions: Registered nurses and registered cardiac invasive specialists working in the cardiac catheterization or electrophysiology lab experience elevated levels of burnout. Greater attention should be placed in identifying and optimizing workplace variables which contribute to burnout among this population.
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 | 0,014 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 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 ».