The impact of general practice team composition and climate on staff and patient experiences: a systematic review
Notice bibliographique
Résumé
Background Recent policy initiatives seeking to address the workforce crisis in general practice have promoted greater multidisciplinarity. Evidence is lacking on how changes in staffing and the relational climate in practice teams affect the experiences of staff and patients. Aim To synthesise evidence on how the composition of the practice workforce and team climate affect staff job satisfaction and burnout, and the processes and quality of care for patients. Method Four different searches were carried out between December 2021 and March 2022 using MEDLINE, Embase, Cochrane, CINAHL PsycINFO and Web of Science. PRISMA guidelines were followed and data were synthesised thematically. Results Eleven studies set in primary care were included, 10 from US integrated healthcare systems, one from Canada. Findings indicate that when teams are understaffed and work environments are stressful, patient care and staff wellbeing suffer. However, a good relational climate can buffer against burnout and protect patient care. Good team dynamics and team cohesion have a greater impact on job satisfaction and patient care coordination than team composition; stable team membership is also important. Better patient experiences are associated with female physicians. However, these same physicians are at higher risk of burnout. Conclusion Evidence regarding team composition and team climate in relation to staff and patient outcomes remains limited. Challenges exist when drawing conclusions across different team compositions and differing definitions of team climate. Future research may benefit from exploring the conditions that generate a productive team climate.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».