MétaCan
Menu
Retour à la cohorte
Enregistrement W4389893171 · doi:10.1080/10408363.2023.2285284

Pathologist workload, burnout, and wellness: connecting the dots

2023· review· en· W4389893171 sur OpenAlexaff
Ziyad Khatab, K. Hanna, Andrew Rofaeil, Catherine Wang, Raymond Maung, George M. Yousef

Notice bibliographique

RevueCritical Reviews in Clinical Laboratory Sciences · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of Northern British ColumbiaUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésWorkloadMultidisciplinary approachComputer scienceQuality assuranceMedicineMeasure (data warehouse)Medical physicsPathologyData mining

Résumé

récupéré en direct d'OpenAlex

No standard tool to measure pathologist workload currently exists. An accurate measure of workload is needed for determining the number of pathologists to be hired, distributing the workload fairly among pathologists, and assessing the overall cost of pathology consults. Initially, simple tools such as counting cases or slides were used to give an estimate of the workload. More recently, multiple workload models, including relative value units (RVUs), the Royal College of Pathologists (RCP) point system, Level 4 Equivalent (L4E), Work2Quality (W2Q), and the University of Washington, Seattle (UW) slide count method, have been developed. There is no "ideal" model that is universally accepted. The main differences among the models come from the weights assigned to different specimen types, differential calculations for organs, and the capture of additional tasks needed for safe and timely patient care. Academic centers tend to see more complex cases that require extensive sampling and additional testing, while community-based and private laboratories deal more with biopsies. Additionally, some systems do not account for teaching, participation in multidisciplinary rounds, quality assurance activities, and medical oversight. A successful workload model needs to be continually updated to reflect the current state of practice.Awareness about physician burnout has gained attention in recent years and has been added to the World Health Organization's International Classification of Diseases (World Health Organization, WHO) as an occupational phenomenon. However, the extent to which this affects pathologists is not well understood. According to the WHO, burnout syndrome is diagnosed by the presence of three components: emotional exhaustion, depersonalization from one's work (cynicism related to one's job), and a low sense of personal achievement or accomplishment. Three drivers of burnout are the demand for productivity, lack of recognition, and electronic health records. Prominent consequences of physician burnout are economic and personal costs to the public and to the providers.Wellness is physical and mental well-being that allows individuals to manage stress effectively and to thrive in both their professional and personal lives. To achieve wellness, it is necessary to understand the root causes of burnout, including over-work and working under stressful conditions. Wellness is more than the absence of stress or burnout, and the responsibility of wellness should be shared by pathologists themselves, their healthcare organization, and governing bodies. Each pathologist needs to take their own path to achieve wellness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,230
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,980
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0300,230
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,005
Études des sciences et des technologies0,0000,005
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,311
Tête enseignante GPT0,576
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCritical Reviews in Clinical Laboratory SciencesMême sujetInnovations in Medical EducationTravaux en français237 207