Compassion fatigue in surgical oncologists: A scoping review.
Notice bibliographique
Résumé
343 Background: The practice of clinical oncology includes diverse and complex clinical, interpersonal and ethical challenges that can lead to physical and/or emotional distress, including burnout (BO), compassion fatigue (CF), secondary traumatic stress (STS) or moral distress (MDS), which potentially impacts patient care and provider well-being. Surgical oncology presents additional stressors and challenges, yet little is known about CF, STS, and MDS in this population, and the greater body of literature in oncology is heterogenous.The aim of this paper is to review current literature regarding CF, MDS, and STS in clinical oncologists, with a focus on surgical oncologists. Methods: Searches of OVID Medline and Embase databases were performed, as well as relevant bibliographies to identify articles related to CF, STS and MDS in clinical and surgical oncologists. Descriptive analysis was completed on relevant articles to address common definitions, themes, and potential aggravating/protective factors. Results: 619 articles were retrieved, of which 196 underwent data extraction. Of these, 48 articles were related to CF, MDS, or STS in oncologists and 5 included surgical oncologists. There was no data specific to surgical oncologists. Definitions of the terms were inconsistent across the literature. Potential contributing factors for CF/STS/MDS are related to the work environment, time pressures, and poor communication skills. In contrast, self-care, supportive colleagues/supervisors, and experience appear to be protective. Conclusions: This study highlights a need for standardized definitions to accurately capture and explore each of these phenomena. Further research is needed to provide insight into the challenges faced by surgical oncologists and how to support them.
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 | 0,007 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».