Burnout and fatigue amongst internal medicine residents: A cross-sectional study on the impact of alternative scheduling models on resident wellness
Notice bibliographique
Résumé
BACKGROUND: Fatigue and burnout are prevalent among resident physicians across Canada. Shifts exceeding 24 hours are commonly purported as detrimental to resident health and performance. Residency training programs have employed strategies towards understanding and intervening upon the complex issue of resident fatigue, where alternative resident scheduling models have been an area of active investigation. This study sought to characterize drivers and outcomes of fatigue and burnout amongst internal medicine residents across different scheduling models. METHODS: We conducted cross-sectional surveys were among internal medicine resident physicians at the University of Alberta. We collected anonymized socioeconomic demographics and medical education background, and estimated associations between demographic or work characteristics and fatigue and burnout outcomes. RESULTS: Sixty-nine participants competed burnout questionnaires, and 165 fatigue questionnaires were completed (response rate of 48%). The overall prevalence of burnout was 58%. Lower burnout prevalence was noted among respondents with dependent(s) (p = 0.048), who identified as a racial minority (p = 0.018), or completed their medical degree internationally (p = 0.006). The 1-in-4 model was associated with the highest levels of fatigue, reported increased risk towards personal health (OR 4.98, 95%CI 1.77-13.99) and occupational or household harm (OR 5.69, 95%CI 1.87-17.3). Alternative scheduling models were not associated with these hazards. CONCLUSIONS: The 1-in-4 scheduling model was associated with high rates of resident physician fatigue, and alternative scheduling models were associated with less fatigue. Protective factors against fatigue are best characterized as strong social supports outside the workplace. Further studies are needed to characterize the impacts of alternative scheduling models on resident education and patient safety.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».