Primary care physicians’ work conditions and their confidence in managing multimorbidity: a quantitative analysis using Job Demands–Resources Model
Notice bibliographique
Résumé
BACKGROUND: Multimorbidity is a global issue that presents complex challenges for physicians, patients, and health systems. However, there is a lack of research on the factors that influence physicians' confidence in managing multimorbidity within primary care settings, particularly regarding physicians' work conditions. OBJECTIVES: Drawing on the Job Demands-Resources Model, this study aims to investigate the level of confidence among Chinese primary care physicians in managing multimorbidity and examine the predictors related to their confidence. METHODS: Data were collected from 224 physicians working in 38 Community Healthcare Centres (CHCs) in Shanghai, Shenzhen, Tianjin, and Jinan, China. Work-family conflict (WFC) perceived organizational support (POS), self-directed learning (SDL), and burnout were measured. Physicians' confidence was assessed using a single item. Mediation effect analysis was conducted using the Baron and Kenny method. RESULTS: The results showed that the mean confidence score for physicians managing multimorbidity was 3.63 out of 5, only 20.10% rating their confidence level as 5. WFC negatively related physicians' confidence and POS positively related physicians' confidence in multimorbid diagnosis and treatment. Burnout fully mediated the relationship between WFC and physicians' confidence, and SDL partially mediated the relationship between POS and physicians' confidence. CONCLUSIONS: The confidence level of Chinese primary care physicians in managing multimorbidity needs improvement. To enhance physicians' confidence in managing multimorbid patients, CHCs in China should address WFC and burnout and promote POS and SDL.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».