Mindful practice in medicine: A global program to reduce burnout and improve healthcare quality
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: The growing prevalence of burnout among healthcare professionals has emerged as a global crisis, adversely affecting individual well-being, patient care, and healthcare systems while imposing significant economic burdens. Addressing this systemic problem requires innovative, scalable interventions that target the root causes of burnout. Mindful Practice in Medicine (MPIM), developed at the University of Rochester School of Medicine and Dentistry, represents a promising approach. MPIM fosters self-awareness, emotional intelligence, teamwork, and compassion. With over 20 years of evidence-based implementation, MPIM has demonstrated substantial improvements in clinician well-being, burnout, empathy, teamwork, and patient-centered care. Methods: This global perspective highlights the program’s global impact through case studies of MPIM-trained facilitators who have embeded these programs into undergraduate, graduate, and postgraduate medical education as well as into institutional healthcare systems. Results: Examples from Switzerland, the United States, the United Kingdom, Australia, and Canada illustrate MPIM’s adaptability and effectiveness for fostering systemic cultural changes, restoring joy in medicine, and promoting organisational resilience. Conclusion: These efforts underscore the potential of MPIM to catalyse a global paradigm shift in healthcare, improving outcomes for both professionals and patients. Further research and strategic scaling are necessary to maximise MPIM’s reach and sustainability and to address the intertwined crises of professional burnout and healthcare quality.
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.
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 | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle