Physician well-being during COVID-19: results from a randomized trial testing a light-touch, SMS intervention (Preprint)
Notice bibliographique
Résumé
BACKGROUND The COVID-19 pandemic yielded extraordinary stressors and well-being challenges for physicians. OBJECTIVE We sent light-touch SMS messages to improve well-being in Ontario physicians and sought to determine which types of messages were most effective. METHODS We conducted a randomized longitudinal study with three trial arms for comparison of changes. All residents and practicing physician members of the Ontario Medical Association with available mobile numbers were randomly assigned to a trial arm: messages with well-being resources, stories from fellow Ontario physicians, or combined resources and stories. Baseline and endline data were collected through online surveys primarily using the short Warwick-Edinburgh Mental Wellbeing Scale, with single-item ‘pulse surveys’ delivered via SMS weekly through the intervention. RESULTS 3,356 and 1,230 participants completed the baseline and endline surveys, respectively. Of these, 614 participants also completed the endline survey and were included in our analyses. There were no significant differences in well-being, happiness, anxiety, life satisfaction, or worthwhileness across treatment groups, nor in how helpful participants found the messages. Participants in the resources-only trial arm were more likely (p=0.036) to report reading the messages compared to members in other groups. CONCLUSIONS Texts with stories from peer physicians and referral to well-being resources alone or in combination were not superior to each other in improving physicians’ well-being. Our findings support the notion that interventions focused on individual physicians alone are unlikely to address poor well-being and burnout among physicians. Further research is needed on the use of digital-based interventions in relation to well-being and burnout, particularly as health human resource well-being and sustainability are key to post-pandemic recovery efforts. CLINICALTRIAL ClinicalTrials.gov NCT04803812
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».