《Dialogues in Health》:Predicting nurse burnout: A logistic regression approach to workplace and demographic factors
编辑推荐:
目的
本研究旨在识别阿尔巴尼亚一家主要公立医院中与护士职业倦怠相关的关键职业和人口统计学因素。
方法
研究人员在地区医院护士中进行了一项描述性横断面调查。护理管理层邀请所有科室参与。护士在休息期间自愿匿名完成问卷。调查内容包括工作满意度、职业倦怠风险、工作条件
目的
本研究旨在识别阿尔巴尼亚一家主要公立医院中与护士职业倦怠相关的关键职业和人口统计学因素。
方法
研究人员在地区医院护士中进行了一项描述性横断面调查。护理管理层邀请所有科室参与。护士在休息期间自愿匿名完成问卷。调查内容包括工作满意度、职业倦怠风险、工作条件、主管和同事支持、工作负荷、轮班时长、职业机会以及人口统计学变量。研究人员采用聚类分析对护士进行分类,并采用探索性因子分析(Exploratory Factor Analysis, EFA)考察工作满意度因素的结构。
结果
来自345名护士的数据显示,高工作负荷和长轮班显著增加职业倦怠风险。强大的主管支持和更高的工作满意度与降低的职业倦怠相关。农村地区的护士出现职业倦怠的几率是城市护士的1.57倍。女性护士出现职业倦怠的几率是男性护士的1.25倍。更高的教育水平和更好的职业晋升机会与较低的职业倦怠水平相关。
结论
职业倦怠在农村护士中更为普遍,在女性护士中程度较轻,提示需要情境敏感和包容性的干预措施。职业倦怠源于系统性挑战,如过高的工作负荷、管理支持不足以及角色不匹配。解决这些问题需要组织变革,包括人员配置改善、支持性领导力和专业发展。未来研究应采用标准化的职业倦怠测量工具和纵向研究方法,以更好地理解护士福祉。
**论文解读:预测护士职业倦怠——工作场所与人口统计学因素的逻辑回归分析**
**研究背景与问题**
护士职业倦怠(burnout)是医疗体系中的重大挑战,表现为情感耗竭、去人格化和个人成就感降低。长期轮班、沉重工作负荷和缺乏支持导致倦怠,进而引发低工作满意度、缺勤和高离职率。在高收入国家,大量研究已揭示倦怠的关键原因,例如美国对5万多名注册护士的数据分析显示,过长工时和高患者负荷显著影响倦怠和留职率;英国在COVID-19疫情期间的研究指出,女性、年轻或调至不同科室的护士倦怠风险更高。然而,在阿尔巴尼亚等欠发达医疗体系中,关于倦怠促成因素的研究十分有限。已有的阿尔巴尼亚护士研究主要聚焦工作满意度和职业发展,而未直接考察倦怠。COVID-19疫情进一步加剧了护士的心理压力和工作负荷。因此,本研究旨在填补这一空白,通过统计建模整合多种理论视角,分析阿尔巴尼亚一家区域医院护士的倦怠风险预测因素,为制定循证干预措施以减少倦怠、提高工作满意度提供依据。该论文发表在《Dialogues in Health》。
**主要技术方法**
本研究采用描述性横断面调查设计,于2024年6月至7月在阿尔巴尼亚一所区域三级公立医院(Shkodra地区医院)进行。样本队列来源明确:该院当时雇佣430名护士,最终345名护士自愿匿名参与在线问卷(响应率>80%)。主要关键技术方法包括:(1)使用改编自Carepatron的30项护士满意度调查问卷,涵盖工作场所关系、条件、薪酬与发展、工作负荷与领导力、个人感知等维度,并翻译为阿尔巴尼亚语进行文化适应;(2)采用K-means聚类分析将护士按倦怠风险分为同质组(过度劳累且精疲力竭组、挣扎但受支持组、坚韧且满意组);(3)运用探索性因子分析(Exploratory Factor Analysis, EFA)验证问卷的结构效度,提取四个因子(工作场所需求、工作满意度与支持、倦怠与心理健康、职业发展),累积解释82.2%方差;(4)以聚类成员为因变量,采用多项逻辑回归(multinomial logistic regression)检验工作场所和人口统计学因素对倦怠风险组的预测作用,模型拟合良好(McFadden伪R
2=0.42),整体分类准确率72%。
**研究结果**
**5.1.1 H1 (Workload)**
通过多项逻辑回归分析,高工作负荷是预测高倦怠组(相对于低倦怠组)的最强因素。工作负荷评分每增加一个单位,护士进入高倦怠组的几率增加118%(OR≈2.18,p<0.001)。轮班时长也显著相关,每增加10小时工作(约一个额外班次),高倦怠几率增加8%;长轮班使高倦怠几率增加68%(OR≈1.68)。结果支持H1,符合工作需求-资源模型(JD-R)。
**5.1.2 H2 (Job Satisfaction)**
工作满意度是保护因素。满意度评分每增加一个单位,高倦怠几率降低约46%(OR≈0.54,p<0.001)。中等倦怠组也显示类似趋势(β=?0.45)。结果确认H2,表明通过改善工作环境和认可可降低倦怠风险,与JD-R模型及人-环境匹配理论(P-E Fit)一致。
**5.1.3 H3 (Supervisor Support)**
主管支持显著降低倦怠风险。支持评分每增加一个等级,高倦怠几率减少39%(OR≈0.61,p=0.004)。主管支持对高与低倦怠组的区分作用强于对中等与低组的区分(后者不显著)。结果支持H3,符合资源保存理论(COR)和社会交换理论(SET)。
**5.1.4 H4 (Education Level)**
教育水平与倦怠风险呈负相关。拥有学士学位者较仅持有护理文凭者,高倦怠几率降低(β=?0.35,p=0.020);拥有硕士/博士学位者效果更强,高倦怠几率降低约44%(OR≈0.56,p=0.008)。结果支持H4,提示高教育水平可能提供更好的应对策略、技能匹配(P-E Fit)或自主性(自我决定理论,SDT)。
**5.1.5 H5 (Location Urban vs. Rural)**
工作地点显著影响倦怠。农村护士高倦怠几率是城市护士的1.57倍(OR≈1.57,p=0.015),该效应在高倦怠水平下最显著。结果支持H5,反映农村医疗资源不足或职业隔离等压力。
**5.1.6 H6 (Gender)**
女性护士高倦怠几率是男性护士的1.25倍(OR≈1.25,p=0.032),中等倦怠组也有类似但较小的效应(β=0.14)。结果支持H6,表明女性护士报告更高倦怠水平,可能与性别相关的社会角色压力有关。
**讨论与结论**
讨论部分指出,研究结果与JD-R模型、COR理论、SET、P-E Fit理论和SDT高度一致。高工作负荷和长轮班是倦怠的主要驱动力,而主管支持和工作满意度作为关键资源可缓解倦怠。教育水平高和城市工作环境具有保护作用,农村和女性身份则增加风险。这些发现强调了系统性挑战(如工作负荷过重、管理支持不足、角色不匹配)而非个人问题是倦怠根源。作者建议通过改善人员配置、加强支持性领导、提供专业发展机会等组织变革来应对。同时,研究局限性包括横断面设计无法推断因果、自我报告偏倚、未使用标准化倦怠量表(如Maslach倦怠量表MBI或哥本哈根倦怠量表CBI)而采用间接测量,以及仅在单一医院进行。未来研究应纳入纵向设计、混合方法、干预研究,并整合验证性量表以提高跨背景可比性。
**结论部分翻译**:本研究识别了阿尔巴尼亚一家区域公立医院中护士倦怠的关键贡献因素,包括过高工作负荷、管理支持不足以及护士职责与专业价值之间的不匹配。尽管存在依赖自我报告数据和未使用验证性倦怠工具等局限性,但研究结果为医疗实践和政策制定提供了有意义的见解。倦怠不仅是个体问题,更是由组织结构和劳动力管理塑造的系统性挑战。解决这一问题需要针对性策略,如修订人员配置模型、实施支持和指导计划、使任务与护士能力相匹配、促进持续专业发展。减少倦怠对于确保护士留任、提升患者安全和改善护理质量至关重要。持续投资于支持性工作文化、验证性评估工具和持续研究,对于增强阿尔巴尼亚及类似医疗体系中护士队伍的韧性至关重要。