The effect of workload on the development of burnout syndrome in Covid-19 intensive care nurses: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Nowadays, it is well-known that burnout is a syndrome that mainly affects the helping professions. The nursing profession is obviously among those categories of workers that can develop burnout and, precisely because of its proximity to people who suffer associated with high workloads characterized by high emotional impacts. AIM: The aim of this systematic review is, therefore, to highlight whether the high nursing workload during the pandemic has contributed to the onset of burnout syndrome in nurses who served in intensive care units (ICUs) dedicated to the care of Covid-19 patients. METHODS: A systematic review was carried out. The main scientific databases were consulted, such as PubMed, Scopus, Web of Sciences and CINAHL analyzing all the papers present in literature. Using PRISMA guidelines, fifteen articles were included in the review. The protocol for this review has been registered on PROSPERO, the international prospective register of systematic reviews (PROSPERO ID: CRD42024502094). The quality assessment of the articles included in this review was conducted using the Newcastle-Ottawa Scale (NOS) for observational studies. RESULTS: In accordance with the literature, all the 15 included studies documented high levels of burnout among ICU professionals, nevertheless those levels were greater than the ones registered in the pre-pandemic period. In Covid-19 era, nurses experienced higher levels of burnout compared to other professions and working as a nurse was identified as an independent risk factor for increased risk of burnout. As reported by all included studies, the overwhelming severity of Covid-19 patients entailed a significant increase in workload for health care providers, particularly nurses. Ultimately, this increase showed a significant correlation with increased burnout risk. CONCLUSIONS: The review highlights the correlation between workload and burnout of nurses in Covid-19 intensive care units. It is expected that this and other studies will contribute to a better understanding of the importance of assigning the adequate workload to nurses.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».