Burnout in Japanese Internists and Primary Care Physicians in 2024: The Prevalence and Risk Factors Using Structural Equation Modeling
Notice bibliographique
Résumé
Objective To investigate the prevalence of burnout and identify its associated risk factors using structural equation modeling (SEM). Patients A cross-sectional web-based survey targeting members of the American College of Physicians Japan Chapter (ACP-JC) was conducted in March 2024. The survey included the Mini Z 2.0 for burnout assessment, Emotional Vulnerability Scale, and Japanese version of the Brief Resilience Scale (BRS-J). Descriptive statistics were used to analyze the demographic and workplace characteristics, and SEM with maximum likelihood estimation was employed to explore the relationships between resilience, emotional vulnerability, teamwork, and burnout. Results Of the 1,066 invited physicians, 103 (9.7%) responded to the survey. Burnout symptoms were reported by 26.2% of the participants. An SEM analysis indicated significant negative associations between resilience (standardized coefficient: -0.29, p=0.007), teamwork (standardized coefficient: -0.32, p<0.001), and burnout, whereas emotional vulnerability showed no significant associations (standardized coefficient: 0.05, p=0.630). Conclusion Approximately one in four Japanese internists and primary care physicians reported burnout symptoms. Resilience and teamwork have emerged as key protective factors, thus underscoring the importance of fostering supportive workplace environments. Therefore, interventions to enhance resilience and strengthen workplace support systems are recommended to mitigate burnout.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».