Primary care physician digital health profile and burnout: an international cross-sectional study.
Notice bibliographique
Résumé
Digital health offers promising solutions for enhancing patient care, yet adoption varies among physicians, partly due to concerns about administrative burdens and burnout. This study assessed digital health use and burnout among primary care physicians in 10 OECD countries and examined their relationship. Methods: We conducted a secondary analysis of "The Commonwealth Fund's 2022 International Health Policy Survey," including 9526 randomly selected primary care physicians (general practitioners or pediatricians in ambulatory care) from 10 OECD countries. We created a digital health score based on the use and frequency of digital tools. Self-reported burnout and related outcomes were analyzed. Cross-country differences were assessed using stratified analyses. Associations between digital health and burnout and related outcomes were explored using stratified analyses and logistic regressions. Results: Most physicians used electronic records; video consultations or connected tools for chronic care. Digital health scores were highest in the Netherlands and UK, and lowest in Germany and Switzerland. 35% of physicians reported burnout, with the highest prevalence in New Zealand (49%) and Canada (46%), and lowest in the Netherlands (12%) and Switzerland (18%). Digital health use positively correlated with workload dissatisfaction but not with burnout, stress, satisfaction with administrative work, or work-life balance. Conclusion: Physicians' digital health use and burnout varied substantially across countries but were not correlated. While digital health is often considered a factor linked to physician burnout, our results do not support this view. They also highlight the need to ensure that digital health reduces, rather than exacerbates, physicians' workload.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».