The relationship between moral distress, burnout, and considering leaving a hospital job during the COVID-19 pandemic: a longitudinal survey
Notice bibliographique
Résumé
BACKGROUND: Previous research suggests that moral distress contributes to burnout in nurses and other healthcare workers. We hypothesized that burnout both contributed to moral distress and was amplified by moral distress for hospital workers in the COVID-19 pandemic. This study also aimed to test if moral distress was related to considering leaving one's job. METHODS: A cohort of 213 hospital workers completed quarterly surveys at six time-points over fifteen months that included validated measures of three dimensions of professional burnout and moral distress. Moral distress was categorized as minimal, medium, or high. Analyses using linear and ordinal regression models tested the association between burnout and other variables at Time 1 (T1), moral distress at Time 3 (T3), and burnout and considering leaving one's job at Time 6 (T6). RESULTS: Moral distress was highest in nurses. Job type (nurse (co-efficient 1.99, p < .001); other healthcare professional (co-efficient 1.44, p < .001); non-professional staff with close patient contact (reference group)) and burnout-depersonalization (co-efficient 0.32, p < .001) measured at T1 accounted for an estimated 45% of the variance in moral distress at T3. Moral distress at T3 predicted burnout-depersonalization (Beta = 0.34, p < .001) and burnout-emotional exhaustion (Beta = 0.38, p < .008) at T6, and was significantly associated with considering leaving one's job or healthcare. CONCLUSION: Aspects of burnout that were associated with experiencing greater moral distress occurred both prior to and following moral distress, consistent with the hypotheses that burnout both amplifies moral distress and is increased by moral distress. This potential vicious circle, in addition to an association between moral distress and considering leaving one's job, suggests that interventions for moral distress may help mitigate a workforce that is both depleted and burdened with burnout.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».