Exposure to moral stressors and associated outcomes in healthcare workers: prevalence, correlates, and impact on job attrition
Notice bibliographique
Résumé
Introduction: Healthcare workers (HCWs) often experience morally challenging situations in their workplaces that may contribute to job turnover and compromised well-being. This study aimed to characterize the nature and frequency of moral stressors experienced by HCWs during the COVID-19 pandemic, examine their influence on psychosocial-spiritual factors, and capture the impact of such factors and related moral stressors on HCWs’ self-reported job attrition intentions.Methods: A sample of 1204 Canadian HCWs were included in the analysis through a web-based survey platform whereby work-related factors (e.g. years spent working as HCW, providing care to COVID-19 patients), moral distress (captured by MMD-HP), moral injury (captured by MIOS), mental health symptomatology, and job turnover due to moral distress were assessed.Results: Moral stressors with the highest reported frequency and distress ratings included patient care requirements that exceeded the capacity HCWs felt safe/comfortable managing, reported lack of resource availability, and belief that administration was not addressing issues that compromised patient care. Participants who considered leaving their jobs (44%; N = 517) demonstrated greater moral distress and injury scores. Logistic regression highlighted burnout (AOR = 1.59; p < .001), moral distress (AOR = 1.83; p < .001), and moral injury due to trust violation (AOR = 1.30; p = .022) as significant predictors of the intention to leave one’s job.Conclusion: While it is impossible to fully eliminate moral stressors from healthcare, especially during exceptional and critical scenarios like a global pandemic, it is crucial to recognize the detrimental impacts on HCWs. This underscores the urgent need for additional research to identify protective factors that can mitigate the impact of these stressors.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».