Effect of mode of healthcare delivery on stress and intention to quit among physicians in Canada during the COVID-19 pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic prompted adaptations to the delivery of healthcare services across Canada. In response to associated health risks and physical distancing protocols, some physicians adopted telemedicine procedures into their practice where possible. The present study aimed to investigate the impact that mode of healthcare delivery had on physicians' intention to quit their jobs due to stress, burnout, or mental health. The study utilized data collected by Statistics Canada from the Health Care Workers' Experience (SHCWEP) survey during the COVID-19 pandemic. The sample included 2,198 participants, weighted to represent 93,952 Canadian physicians aged 18 and above. Modes of healthcare delivery were categorized as either in-person, online, or blended. A multivariable logistic regression analysis was performed to examine the relationship between mode of healthcare delivery and intention to quit due to stress, burnout, or mental health, after adjusting for sociodemographic, job-, and health-related factors. Intention to quit within the next two years due to stress, burnout, or mental health was reported by 7.5% of physicians. Compared to the in-person modality, online or blended healthcare delivery was associated with decreased the odds of intention to quit (OR = 0.67, 95% CI: 0.63-0.72 and OR = 0.66, 95% CI: 0.58-0.75, respectively). The present study sheds light on factors associated with medical frontline worker well-being and retention, factors which can subsequently impact the quality of patient care. Future considerations regarding healthcare policy should incorporate strategies that protect and enhance physicians' mental health into its framework to mitigate future risks.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».