Using Functional Neuroimaging to Investigate the Biological Correlates of Burnout and Moral Distress in Healthcare Workers
Notice bibliographique
Résumé
Background: The prevalence of burnout, moral distress and depression symptoms among healthcare workers has significantly increased since the onset of the COVID-19 pandemic.Nevertheless, the psychological and biological correlates of burnout subcomponents remain unclear, and no studies to date have examined the biological effects of moral distress.Neuroimaging techniques present a unique opportunity to provide insight into emotional regulation and brain function.Thus, this study utilized resting-state functional magnetic resonance imaging (fMRI) to explore the association between functional connectivity, burnout and moral distress in healthcare workers.Methods: Participants in the current study comprised self-identified licensed healthcare workers employed at Ottawa-area hospitals.All participants completed online selfreport questionnaires and an MRI scan to assess brain function in networks governing emotional regulation.Results: Results from the current study revealed that emotional exhaustion is a stronger predictor of depression and moral distress symptoms in comparison to depersonalization and personal accomplishment.Further, depersonalization was associated with functional connectivity within both the frontolimbic and default mode networks.On the other hand, emotional exhaustion was only associated with functional connectivity within the default mode network in the presence of moderate-to-severe depression symptoms.Finally, moral distress was associated with functional connectivity within the frontolimbic network.Conclusion: These findings highlight the complex impact of burnout subcomponents on mental health symptoms, emphasizing the strong predictive power of emotional exhaustion.Additionally, these results reveal the influence of depersonalization and moral distress on executive function and emotional regulation.Together, this study provides an in-depth examination of the biological underpinnings of burnout and moral distress within a vulnerable population.A. Participants……………………………...………………………...
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».