Compassion fatigue in healthcare providers: a scoping review
Notice bibliographique
Résumé
The detrimental impacts of COVID-19 on healthcare providers' psychological health and well-being continue to affect their professional roles and activities, leading to compassion fatigue. The purpose of this review was to identify and summarize published literature on compassion fatigue among healthcare providers and its impact on patient care. Six databases were searched: MEDLINE (Ovid), PsycINFO (Ovid), Embase (Ovid), CINAHL, Scopus, Web of Science, for studies on compassion fatigue in healthcare providers, published in English from the peak of the pandemic in 2020 to 2023. To expand the search, reference lists of included studies were hand searched to locate additional relevant studies. The studies primarily focused on nurses, physicians, and other allied health professionals. This scoping review was registered on Open Science Framework (OSF), using the Preferred Reporting Items for Systematic reviews and Meta-Analysis (PRISMA) extension to scoping review. From 11,715 search results, 24 met the inclusion criteria. Findings are presented using four themes: prevalence of compassion fatigue; antecedents of compassion fatigue; consequences of compassion fatigue; and interventions to address compassion fatigue. The potential antecedents of compassion fatigue are grouped under individual-, organization-, and systems-level factors. Our findings suggest that healthcare providers differ in risk for developing compassion fatigue in a country-dependent manner. Interventions such as increasing available personnel helped to minimize the occurrence of compassion fatigue. This scoping review offers important insight on the common causes and potential risks for compassion fatigue among healthcare providers and identifies potential strategies to support healthcare providers' psychological health and well-being.
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 | 0,029 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».