O-134 ADDRESSING HEALTHCARE WORKERS’ MENTAL HEALTH: A SYSTEMATIC REVIEW OF EVIDENCE-BASED INTERVENTIONS
Notice bibliographique
Résumé
Abstract Introduction Mental health issues (e.g., distress, burnout) and mental illnesses (e.g., anxiety, depression) are associated with increased absenteeism and presenteeism (i.e., lost productivity or reduced performance), turnover, and increased rates of short-term and long-term disability in the workforce. Our objective is to provide a systematic review of intervention literature focused on the support and treatment of mental health within the healthcare workforce, as a guide to hospital administrators grappling with these problems. Methods Databases (e.g., Ovid, Medline, PsycINFO were searched using terms representing the target population (e.g., physicians, nurses, specialists), mental health outcomes (e.g., burnout, depression, anxiety), and intervention type (e.g., training program). Search was unbounded through March, 2022. Results Of 5,082 publications screened, 120 interventions were included. Randomized Control Trials were used by 54 studies (45%). Studies were conducted in 26 countries; most interventions were conducted in the US (45; 38%). Of the 77 interventions, 92(77%) reported significant effects and 47 (39%) reported measurable effect sizes. Twenty-nine interventions significantly reduced stress (24%), 19 reduced anxiety (16%), 15 reduced depression (13%), 16 reduced burnout (13%) and 17 reduced emotional exhaustion/compassion fatigue (14%). Discussion Twenty-eight of the 120 interventions produced at least one improved outcome that met the criterion for a large effect size. Most interventions focused on helping the individuals cope with or avoid mental health problems; few were focused on improving the workplace to support employee health. Conclusion Targeted, well-designed workplace mental health interventions can improve mental health outcomes among healthcare workers.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».