Relationship of Mental Health and Burnout with Empathy Among Undergraduate Medical Students in Lahore, Pakistan: A Cross-Sectional Study
Notice bibliographique
Résumé
Background: Empathy, crucial for effective communication and patient care in medicine can be influenced by stress, workload, burnout, and impaired mental well-being. Objectives: To evaluate the burnout levels, mental health status, and factors influencing empathy among undergraduate medical students at King Edward Medical University in Lahore. Methods: A descriptive cross-sectional study was conducted among MBBS students from the third to final year at King Edward Medical University, Lahore, with ethical approval granted by the Institutional Review Board. Four questionnaires were used: a personal and demographic survey, the Warwick-Edinburgh Mental Well-being Scale (WEMWBS), the Maslach Burnout Inventory (MBI), and the Toronto Empathy Questionnaire (TEQ). Data analysis involved assessing several factors influencing empathy using the Chi-square test or Fisher's exact test. Results: The study evaluated 164 Muslim participants (mean age: 21.77 years; SD = 1.10), of whom 45.1% were male and 54.9% female. Physical illness was reported by 4.9% and psychiatric conditions by 6.7%. No significant association was found between socio-demographic factors (gender, illness, substance use, academic year, and specialty preference) and empathy. Empathy was not significantly related to mental health (WEMWBS) or burnout (MBI). Most participants (96.3%) demonstrated below-average empathy, with a median TEQ score of 31 (IQR: 28–35). Conclusion: Most participants exhibited below-average empathy, high depersonalization, and low personal achievement. Despite these findings, mental health was generally good, and exhaustion levels were low. No significant association was found between empathy and other factors
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».