Going to work sick: A scoping review of illness presenteeism among physicians and medical trainees
Notice bibliographique
Résumé
BACKGROUND: Illness presenteeism (IP)-characterized by individuals working despite being sick-is a prevalent and complex phenomenon among physicians and trainees amidst competing priorities within medicine. The COVID-19 pandemic and growing attention to physician and trainee well-being have sparked renewed interest in IP. We conducted a scoping review to explore what is known about IP: more specifically, how IP is perceived, what approaches have been used to study the phenomenon and how it might have changed through the COVID-19 pandemic. METHOD: The Arksey and O'Malley scoping review framework was used to systematically select and summarize the literature. Searches were conducted across four databases: Medline, Embase, PsycInfo and Web of Science. Quantitative and thematic analyses were conducted. RESULTS: Of 4277 articles screened, 45 were included. Of these, four were published after the onset of the COVID-19 pandemic. All studies framed IP as problematic for physicians, patients and health care systems. Dominant sociocultural drivers of IP included obligations towards patients and colleagues and avoiding the stigma of appearing vulnerable or even temporarily weak. Structural factors included heavy workload, poor access to health services and lack of sick leave policies for physicians. The pandemic does not appear to have affected IP-related causes or behaviours. Proposed solutions included both educational interventions and policy-driven changes. CONCLUSIONS: Despite being viewed in the literature as largely negative, IP remains highly prevalent among physicians and trainees. Our review highlights that IP among physicians is fraught with tensions: while IP seemingly contradicts certain priorities such as physician wellbeing, IP may be justified by fulfilling obligations to patients and colleagues. Future work should examine IP through diverse theoretical lenses to further elucidate its complexities and inform nuanced individual and systems-level interventions to minimize the negative consequences of IP.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,021 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».