Impact of the COVID-19 Pandemic on Clinical Practice and Work–Life Integration Experienced by Academic Medical Faculty
Notice bibliographique
Résumé
Introduction: Before the COVID-19 pandemic, reported physician burnout was endemic in North America, with rates as high as 51%. The pandemic placed an increased demand on physicians’ time both in their work and home lives. We sought to identify the frequency of burnout in a large academic institution and its impact on clinical practice, non-clinical work, and home life. Methods: All academic physicians and non-physician faculty members in the Department of Medicine (DOM) at McMaster University were invited to participate in an anonymous survey between January 22 and February 21, 2021. The survey elicited information on how clinical practice, work, and home life changed throughout the pandemic. Responses to questions were captured on a 1-to-5 Likert scale. Descriptive statistics were calculated and the Mann–Whitney U-test was used to determine statistical significance (p < 0.05). The results were compared to the 2019 DOM survey which included a question on burnout. Results: Among 330 faculty, 76.7% completed the survey. The reported burnout was high at 75.9%, affecting women to a greater extent than men (82.5% vs 70.4%, p < 0.01). Early career faculty also reported proportionally more burnout (83.5% vs 65.7%; p < 0.001). Medical-legal liability of phone-based care was a concern for 48% of physicians. The reported hours of work per day were significantly higher amongst women than men compared to pre-pandemic (80.4% vs 58.0%; p < 0.001). Loneliness (64.1% vs 51.4%; p < 0.05) and hours spent on caring for dependents (54.5% vs 31.1%, p < 0.01) were higher for women versus men. Both genders reported career fulfillment and research productivity were overall lower by 51.2% and 52.3%, respectively. Conclusions: The COVID-19 pandemic has increased burnout amongst DOM academic faculty, and disproportionately affected women and early career faculty. A thoughtful systems-level approach, with dedicated resources, is needed to address the impact of the COVID-19 pandemic on medical faculty.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».