Assessment of General Surgery Resident Wellness from the Perspectives of Family, Friends, and Loved Ones
Notice bibliographique
Résumé
Introduction: Surgical trainees have high rates of burnout compared to residents from other specialties. However, burnout is underreported by trainees, limiting potential interventions to improve wellness. Loved ones are an underused resource for assessing wellness and detecting burnout among residents. The purpose of this study is to assess the perceptions and concerns regarding resident wellness and burnout, as well as strategies to improve wellness, from the perspective of loved ones. Methods: This cross-sectional survey study was conducted in 2022 at an urban academic center after ethics board approval. An anonymous 18-question survey to assess resident burnout, wellness, and strategies to improve wellness was distributed to loved ones of general surgery residents. Open-ended questions were analyzed using content analysis while descriptive analysis was used for Likert scale and multiple choices questions. Results: Of the general surgery residency cohort, 40.6% (13/32) of residents participated in the project, and 32 unique survey responses were received from loved ones. 73.12% of participants indicated that they were worried about the wellness of the resident. 93.75% of respondents described the resident as experiencing burnout at least once per year. Respondents reported factors most frequently contributing to resident burnout: lack of sleep (96.9%), feeling overworked or having long hours (96.9%), insufficient time for professional or academic development due to service obligations (87.1%), and feeling underappreciated (87.1%). Respondents identified the following strategies as potentially effective in improving resident wellness: more sleep/improved quality of sleep (100%), increased vacation time (96.9%), peer support and/or faculty-resident mentorship (41.9%) and wellness-focused retreats (51.6%). Conclusion: This study demonstrates that loved ones can be a valuable resource to assess resident wellness. Additionally, wellness programming should be mindful of the potential benefits of supporting basic needs such as sleep. Future projects could focus on interventions aimed at giving loved ones tools to support their wellness assessments and interventions.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».