MétaCan
Menu
Retour à la cohorte
Enregistrement W4413792112 · doi:10.1186/s12960-025-01012-4

Prevalence and risk factors of burnout symptoms among nurses during the COVID-19 pandemic: an updated systematic review and meta-analysis

2025· review· en· W4413792112 sur OpenAlexaboutno aff
Feten Fekih-Romdhane, Frédéric Harb, Sana Al Banna, Sahar Obeïd, Souheil Hallit

Notice bibliographique

RevueHuman Resources for Health · 2025
Typereview
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsycINFOMedicineMeta-analysisMEDLINEBurnoutOdds ratioPopulationSystematic reviewPandemicFamily medicineNursingCoronavirus disease 2019 (COVID-19)Clinical psychologyEnvironmental healthInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: COVID-19 has been a substantial challenge for nurses globally, as they have gone through prolonged crisis times where they were continually under immense psychological pressure. Working in these conditions for months and years has resulted in an increase in the prevalence of job burnout among nurses. This systematic review was conducted to provide solid evidence on the prevalence of burnout and its related factors among nursing staff in different parts of the world after the occurrence of the COVID-19 pandemic. METHODS: Several electronic databases were searched, between January 2020 and September 15, 2024, for relevant studies, namely MEDLINE, Web of Science, Embase, Scopus, ScienceDirect, ProQuest, APA PsycINFO, Google Scholar, and EBSCOhost Research Platform. Multiple search keywords were defined for the search process. The Newcastle-Ottawa Scale was used to evaluate the quality of each study included. Our main outcome was the prevalence of burnout in nurses during COVID-19. We subsequently analyzed our data by age (< 30 vs. ≥ 30 years), country income levels (defined based on the World Bank Classification for the 2023 fiscal year), and culture (Western vs. Non-Western). We used RevMan software, developed by Cochrane, to perform the statistical analysis. The outcomes were assessed using odds ratios (OR) with corresponding 95% confidence intervals (CI) to ensure accurate and reliable estimates. RESULTS: Data from the 19 studies and 11 countries indicated an overall burnout prevalence rate of 59.5% in the nurse population during COVID-19. In addition, analyses of 37 studies and 15,015 nurses revealed a pooled prevalence rate for emotional exhaustion of 36.1%. Analyses of 36 studies involving 14,864 nurses showed a pooled prevalence rate for depersonalization of 32.4%. Finally, data from 36 studies and 14,864 participants found a pooled prevalence rate for reduced personal accomplishment of 33.3%. Regarding subgroup analysis of total burnout by nurses' characteristics, our results demonstrated that nurses working in higher income countries reported significantly higher prevalence rates of burnout relative to those working in low- and lower-to-middle-income countries. Those working in a Western context exhibited significantly higher risk for overall burnout compared to those working in a non-Western context. Finally, comparisons across age groups noted significantly higher levels of burnout among nurses aged 30 years and above compared to those aged < 30 years. CONCLUSION: This review urges nursing leaders' intervention, hospital administrators, and policymakers to minimize and prevent burnout among nurses, especially during crises times such as the COVID-19 pandemic. This review also encourages further research into efficient evidence-based interventions to support nurses and combat burnout in the nursing profession.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,925
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0080,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,152
Tête enseignante GPT0,485
Écart entre enseignants0,333 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHuman Resources for HealthMême sujetCOVID-19 and Mental HealthTravaux en français237 207