Burnout Syndrome Among Perioperative Healthcare Providers in Rwanda
Notice bibliographique
Résumé
BACKGROUND: Many studies address health care provider burnout in high-income countries; however, there is little data on burnout in low-income countries. Our objectives were (1) to estimate the prevalence of burnout among perioperative health care providers and (2) to explore factors associated with burnout among perioperative health care providers in Rwandan public hospitals. METHODS: A cross-sectional study using a survey was conducted among perioperative health care providers working in 22 public hospitals across Rwanda. We used a purposive sampling method to represent all regions (4 provinces and the capital Kigali) and types of public hospitals in Rwanda conducting surgery, excluding major teaching centers. We used the Maslach Burnout Inventory Human Services Survey (MBI_HSS), a validated 22-item survey including 3 dimensions of burnout: (1) emotional exhaustion (EE), (2) depersonalization (DP), and (3) personal achievement (PA). We estimated the prevalence of burnout using Wilson's method and we identified factors associated with burnout using a multivariate analysis. RESULTS: There were 221 responses from 402 surveys sent with a response rate of 53.7% including nurses 106 (47.9%), general practitioners 36 (16.3%), nonphysician anesthetists 33 (14.9%), midwives 25 (11.3%), and specialist surgeons and anesthesiologists 4 (1.8%). Forty-7 (21.3, 95% CI 16.1-27.3)% participants had burnout, 95 (42.9, 95 CI 36.6-49.6)% had high emotional exhaustion, 57 (25.8, 95 CI 20.5-31.9)% had low personal accomplishment, 15 (6.8, 95 CI 4.2-10.9)% had high depersonalization). Three major burnout profiles were identified among participants, including the overextended group 84 (38%), the engaged group 83 (37.6%), and the ineffective group 39 (17.6%). Among postulated predictors of burnout, only a lack of having the right equipment was strongly associated with burnout (adj-OR, 3.21; 95 CI, 1.18-8.73, P = .02). CONCLUSIONS: One in 5 perioperative health care providers in Rwanda report having burnout, which is consistent with previous data. This suggests that burnout is widespread across the Rwandan health care system, across different perioperative professions. The only factor that was associated with burnout was lack of access to essential equipment; however, other factors that have been identified in the literature, which are not statistically significant in this study, should not be overlooked. Addressing equipment shortages may reduce the risk of burnout among perioperative health care providers in low-resource settings, in addition to directly impacting the quality of care.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».