The effect 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. DESIGN & SETTING: A systematic literature review of international evidence. METHOD: Four different searches were carried out using MEDLINE, Embase, Cochrane Library, CINAHL, PsycINFO, and Web of Science. Evidence from English language articles from 2012-2022 was identified, with no restriction on study design. Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines were followed and data were synthesised thematically. RESULTS: In total, 11 studies in primary healthcare settings were included, 10 from US integrated healthcare systems, one from Canada. Findings indicated 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 quality in situations of high workload. Good team dynamics and stable team membership are important for patient care coordination and job satisfaction. Female physicians are at greater risk of burnout. CONCLUSION: Evidence regarding team composition and team climate in relation to staff and patient outcomes in general practice remains limited. Challenges exist when drawing conclusions across different team compositions and definitions of team climate. Further research is needed to explore the conditions that generate a 'good' 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 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 | 0,011 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».