Health Care Providers’ Well-being Indicators are Associated With Their Intention to Leave Their Positions: A Cross-Sectional Study From Saskatchewan, Canada
Notice bibliographique
Résumé
This study aimed to measure the intention to leave and well-being indicators (ie, job satisfaction, burnout, moral distress, risk of depression, and resilience) of health care providers (HCPs) in Saskatchewan, Canada and to explore the association between their intention to leave and well-being indicators and other demographic factors, including gender. A cross-sectional study was conducted among registered nurses (RNs), physicians, and respiratory therapists (RTs) in Saskatchewan between December 2021 and April 2022. An online survey inquired about intentions to leave current positions, well-being indicators, and demographics of HCPs. Logistic regression models explored associations between intention to leave current positions and HCPs' well-being indicators. Adjusted odd ratios (AORs) and 95% confidence intervals (95% CI) are reported. In total, 1497 HCPs participated; 38.6% considered leaving their positions. Controlling by gender, age group, children at home, redeployment, burnout, and resilience levels, the odds of considering leaving their positions decreased by 0.55 (95% CI = 0.43-0.70) per unit of increase in job satisfaction. HCPs experiencing high moral distress were more likely to consider leaving their positions (AOR = 3.97, 95% CI = 2.93-5.39). RNs were more likely to consider leaving their positions than physicians (AOR = 1.68, 95% CI = 1.13-2.50). Age interacted with gender, and burnout interacted with children at home. The job satisfaction, distress levels, and RN designation predicted HCPs' intention to leave. We must recognize the dissimilar effect of age on the intention to leave between women and men and the effect of burnout between those with and without children. Strategies to increase retention of HCPs should consider well-being indicators and focus on reducing morally distressing environments and redeployment.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».