Addressing Rheumatology Resident Well-Being Is Critical to the Rheumatology Workforce and the Care of Our Patients
Notice bibliographique
Résumé
Matriculating medical students have lower levels of burnout compared to age-matched college graduates,1 and yet residents and practicing physicians have higher rates of burnout compared to the general population,2,3 suggesting that medical training may play a role in increasing rates of burnout. Burnout, characterized by Maslach and Jackson as the triad of depersonalization, emotional exhaustion, and loss of a sense of personal accomplishment,4 is well documented in physicians around the world and has been shown to be increasing over time, particularly after the start of the coronavirus disease 2019 (COVID-19) pandemic.5,6 There is a lack of longitudinal data on the effect of the pandemic on rheumatologists specifically, although in a survey of Canadian rheumatologists conducted between 2020 and 2021 during the COVID-19 pandemic, 51% of rheumatologists met the criteria for burnout.7 A recent Medscape survey reported that rheumatologists have the second-highest burnout levels among 29 specialties.8 In this issue of The Journal of Rheumatology , McGoldrick et al9 evaluated burnout among American rheumatology fellows in a cross-sectional study performed in 2019. One hundred five fellows completed a survey designed to evaluate burnout using an adapted version of the previously validated Maslach Burnout Inventory.10 The authors also measured secondary outcomes such as depression, quality of life, and fatigue.9 They posed open-ended questions to collect qualitative data on perceived factors that reduce and factors that worsen burnout. McGoldrick et al found that 38.5% of postgraduate year (PGY) 4 and 16.7% of PGY5/6 fellows had at least 1 symptom of burnout.9 PGY4 fellows had higher rates of burnout, more depression, worse fatigue, and worse quality of life compared to PGY5 fellows. Younger age was associated with higher levels of burnout, but there was no variation by gender, race/ethnicity, or … Address correspondence to Dr. D.C. Jerome, Women’s College Hospital, 76 Grenville Street, Toronto, ON M5S 1B2, Canada.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».