“The Cost in the Individual”
Notice bibliographique
Résumé
OBJECTIVES: Emergency medicine (EM) confers a high risk of burnout that may be exacerbated by the COVID-19 pandemic. We aimed to determine the longitudinal prevalence of burnout in pediatric EM (PEM) physicians/fellows working in tertiary PEM departments across Canada and its fluctuation during the pandemic. METHODS: A national mixed-methods survey using a validated 2-question proxy for burnout was distributed monthly through 9 months. The primary outcome was the trajectory in probability of burnout, which was examined as both emotional exhaustion (EE) and depersonalization (DP), EE alone, and DP alone. Secondary outcomes investigated burnout and its association with demographic variables. Quantitative data were analyzed using logistic regression for primary outcomes and subanalyses for secondary outcomes. Conventional content analysis was used to analyze qualitative data and generate themes. RESULTS: From February to October 2021, 92 of 98 respondents completed at least 1 survey, 78% completed at least 3 consecutive surveys, and 48% completed at least 6 consecutive surveys. Predicted probability of EE was bimodal with peaks in May (25%) and October (22%) 2021. Rates of DP alone or having both EE and DP were approximately 1% and stable over the study period. Mid-career physicians were at lower risk of EE (odds ratio, 0.02; 95% confidence interval, 0-0.22) compared with early-career physicians. Underlying drivers of burnout were multifaceted. CONCLUSIONS: Our study suggests that increased COVID-19 case burden was correlated with EE levels during the third and fourth waves of the pandemic. Emotional exhaustion was worsened by systemic factors, and interventions must target common themes of unsustainable workloads and overwhelming lack of control.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».