MétaCan
Menu
Retour à la cohorte
Enregistrement W4400949424 · doi:10.1001/jamanetworkopen.2024.23316

Physician Posttraumatic Stress Disorder During COVID-19

2024· review· en· W4400949424 sur OpenAlexaff
Mihir Kamra, Shan Dhaliwal, Wenshan Li, Shrey Acharya, Adrian Wong, Andy Z. X. Zhu, Jaydev Vemulakonda, Janet Wilson, Maya Gibb, Courtney Maskerine, Edward G. Spilg, Peter Tanuseputro, Daniel T. Myran, Marco Solmi, Manish M. Sood

Notice bibliographique

RevueJAMA Network Open · 2024
Typereview
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensOttawa HospitalBruyèreUniversity of OttawaMcMaster University
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)Posttraumatic stress2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)PsychologyStress (linguistics)MedicineClinical psychologyVirologyInternal medicinePhilosophyInfectious disease (medical specialty)Outbreak

Résumé

récupéré en direct d'OpenAlex

Importance: The COVID-19 pandemic placed many physicians in situations of increased stress and challenging resource allocation decisions. Insight into the prevalence of posttraumatic stress disorder in physicians and its risk factors during the COVID-19 pandemic will guide interventions to prevent its development. Objective: To determine the prevalence of posttraumatic stress disorder (PTSD) among physicians during the COVID-19 pandemic and examine variations based on factors, such as sex, age, medical specialty, and career stage. Data Sources: A Preferred Reporting Items for Systematic Reviews and Meta-analyses-compliant systematic review was conducted, searching MEDLINE, Embase, and PsychInfo, from December 2019 to November 2022. Search terms included MeSH (medical subject heading) terms and keywords associated with physicians as the population and PTSD. Study Selection: Peer-reviewed published studies reporting on PTSD as a probable diagnosis via validated questionnaires or clinician diagnosis were included. The studies were reviewed by 6 reviewers. Data Extraction and Synthesis: A random-effects meta-analysis was used to pool estimates of PTSD prevalence and calculate odds ratios (ORs) for relevant physician characteristics. Main Outcomes and Measures: The primary outcome of interest was the prevalence of PTSD in physicians, identified by standardized questionnaires. Results: Fifty-seven studies with a total of 28 965 participants and 25 countries were included (of those that reported sex: 5917 of 11 239 [52.6%] were male and 5322 of 11 239 [47.4%] were female; of those that reported career stage: 4148 of 11 186 [37.1%] were medical trainees and 7038 of 11 186 [62.9%] were attending physicians). The estimated pooled prevalence of PTSD was 18.3% (95% CI, 15.2%-22.8%; I2 = 97%). Fourteen studies (22.8%) reported sex, and it was found that female physicians were more likely to develop PTSD (OR, 1.93; 95% CI, 1.56-2.39). Of the 10 studies (17.5%) reporting age, younger physicians reported less PTSD. Among the 13 studies (22.8%) reporting specialty, PTSD was most common among emergency department doctors. Among the 16 studies (28.1%) reporting career stage, trainees were more prone to developing PTSD than attendings (OR, 1.33; 95% CI, 1.12-1.57). Conclusions and Relevance: In this meta-analysis examining PTSD during COVID-19, 18.3% of physicians reported symptoms consistent with PTSD, with a higher risk in female physicians, older physiciansy, and trainees, and with variation by specialty. Targeted interventions to support physician well-being during traumatic events like pandemics are required.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,907
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,004

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.

Tête enseignante Opus0,143
Tête enseignante GPT0,493
Écart entre enseignants0,350 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetCOVID-19 and Mental HealthTravaux en français237 207