Building physician wellness into the culture: evaluating a family physician well-being programme using the physician wellness inventory
Notice bibliographique
Résumé
PURPOSE: Family physicians have a higher incidence of burnout, dissatisfaction, and disengagement compared to other medical specialties. Addressing burnout on the individual and systemic level is important to promoting wellness and preventing deleterious effects on physicians and patients. We used the Physician Wellness Inventory (PWI) to assess the effects of a wellness programme designed to equip family physicians with skills to address burnout. METHODS: The PWI is a fourteen-item 5-point Likert scale broken down into 3 scores; (i) career purpose, (ii) cognitive flexibility, and (iii) distress. The PWI was distributed to a cohort of n = 111 family physician scholars at 3 time points: January 2021, May-June 2021, and October 2021. The response rate was 96.4% at baseline, and 72.1% overall. Demographic information was collected to assess differences. The survey was distributed online through Qualtrics (Provo, UT). RESULTS: Cognitive Flexibility scores at the endpoint were higher for POC scholars than white scholars (P = 0.024). Distress scores for all groups decreased over time. Female scholars were more nervous, and anxious at the start than male scholars (P = 0.012), which decreased over time (P = 0.022). New career scholars were more likely than later career scholars to be distressed (P = 0.007), but both groups' distress decreased over time (P = 0.003). Later career scholars' feelings of being bothered by little interest or pleasure in doing things decreased more than new career scholars (endpoint: P = 0.022; overall: P = 0.023). CONCLUSIONS: The wellness programme shows improvement in PWI scores, indicating the programme content should be evaluated further for system level improvements.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».