Illness presenteeism among physicians and trainees: Study protocol of a scoping review
Notice bibliographique
Résumé
BACKGROUND: Illness presenteeism (IP) is the phenomenon where individuals continue to work despite illness. While it has been a prevalent and longstanding issue in medicine, the recent onset of the COVID-19 pandemic and the growing movement to improve physician wellness brings renewed interest in this topic. However, there have been no comprehensive reviews on the state of literature of this topic. PURPOSE: The main aim of this scoping review is to explore what is known about presenteeism in physicians, residents, and medical students in order to map and summarize the literature, identify research gaps and inform future research. More specifically: How has illness presenteeism been defined, problematized or perceived? What methods and approaches have been used to study the phenomenon? Has the literature changed since the pandemic? METHOD: Using the Arksey and O'Malley framework several databases will be searched by an experienced librarian. Through an iterative process, inclusion and exclusion criteria will be developed and a data extraction form refined. Data will be analyzed using quantitative and qualitative content analyses. POTENTIAL IMPLICATIONS OF RESULTS: By summarizing the literature on IP, this study will provide a better understanding of the IP phenomena to inform future research and potentially have implications for physician wellness and public health.
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 | 0,087 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,013 | 0,012 |
| Bibliométrie | 0,019 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,009 |
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 ».