Pediatrician Burnout Before and After the COVID-19 Pandemic
Notice bibliographique
Résumé
Objective: During the surge of the COVID-19 pandemic, burnout among physicians increased significantly. In the spring of 2023, the COVID national emergency was terminated in the U.S. To investigate whether provider burnout rates have returned to pre-pandemic levels, the current study compared dimensions of burnout among pediatricians pre- and post-pandemic. Method: As part of 2 separate behavioral health trainings held at a Midwest academic health center in 2019 and virtually in 2023, data on burnout was collected from 52 pediatricians pre-pandemic and 38 pediatricians post-pandemic. Participants completed an online survey during the trainings and responded to items reflecting 3 dimensions of burnout: emotional exhaustion, depersonalization, and personal accomplishment. Results: There were no statistically significant differences in pre- and post-pandemic burnout amongst pediatricians in terms of total scores, number of pediatricians who met the clinical cutoff for each dimension, number of cutoffs met, or number of providers reporting elevated burnout on at least 1 dimension ( p > .05 for all comparisons). Participants were 1.77 times more likely to meet the cutoff for emotional exhaustion post-pandemic than pre-pandemic. Over half of providers met this cutoff post-pandemic, compared to only 35% pre-pandemic. Conclusions: While post-pandemic rates of burnout among pediatricians appear to be statistically similar to pre-pandemic levels, there appear to be clinically significant differences in emotional exhaustion between groups. With 63% of the post-pandemic group meeting the cutoff score for at least 1 dimension, it is imperative for the healthcare system to consider ways to mitigate 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 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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,006 |
| 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 ».