Prevalencia del síndrome de Burnout y del riesgo elevado de Burnout en el servicio de Anestesiología en un hospital de la ciudad de México: factores de riesgo y validación de la escala Maslach Burnout Inventory

El síndrome de burnout (SBO) y el riesgo elevado de burnout (REBO) representan un riesgo latente en los médicos anestesiólogos, exacerbado por la pandemia Covid-19, esto, debido a la sobrecarga de trabajo, estrés laboral y miedo al contagio entro otros factores. El Maslach Burnout Inventory (MBI) es un instrumento para el diagnóstico, evalúa tres subescalas: despersonalización, desgaste emocional, realización personal.
Escarramán Martínez D (1) Prieto Diaz Preciado VM (2) Guerrero Gutiérrez MA (3) Villegas Gonzales WP (4)
(1) Medico Anestesiólogo, Miembro de grupo ventilación mecánica AVENTHO y la Sociedad Mexicana de Medicina Critica y Emergencias, Universidad Popular Autónoma del Estado de Puebla, Departamento de Anestesiología, Centro Médico Nacional Hospital de Especialidades “La Raza”, Instituto Mexicano del Seguro Social. Ciudad de México, México.
(2) Médico residente de tercer año, Universidad Nacional Autónoma de México, Departamento de Anestesiología, Centro Médico Nacional Hospital de Especialidades “La Raza”, Instituto Mexicano del Seguro Social. Ciudad de México, México.
(3) Medico Anestesiólogo y Critico, Miembro de grupo ventilación mecánica AVENTHO y la Sociedad Mexicana de Medicina Critica y Emergencias, Universidad Nacional Autónoma de México, Departamento de Medicina Critica, Instituto Nacional de Cancerología, SS. Ciudad de México, México.
(4) Estudiante pasante de psicología, Universidad Popular Autónoma del Estado de Puebla, Puebla, México.

Resumen

Introducción: el síndrome de burnout (SBO) y el riesgo elevado de burnout (REBO) representan un riesgo latente en los médicos anestesiólogos, exacerbado por la pandemia Covid-19, esto, debido a la sobrecarga de trabajo, estrés laboral y miedo al contagio entro otros factores. El Maslach Burnout Inventory (MBI) es un instrumento para el diagnóstico, evalúa tres subescalas: despersonalización, desgaste emocional, realización personal.

Material y métodos: estudio de encuestas realizados a los médicos adscritos y residentes del servicio de anestesiología del Hospital de Especialidades “La Raza”. La confiabilidad de los ítems del instrumento se realizó mediante el cálculo de alfa de Cronbach. Se construyeron varios modelos de regresión logística para explorar los posibles factores de riesgo para las diferentes subescalas, SBO y REBO.

Resultados: del total de la muestra (N=101) el SBO presentó una prevalencia del 18,8% y el REBO de 25,7%. En el análisis univariado para subescala desgaste emocional; TAC OR 1,16 IC95% 0,96 – 1,39 p = 0,10 y UCPC OR 1,14 IC95% 0,9 – 1,43 p = 0,10 fueron significativos, pero, solo TAC OR 1,23 IC95% 1,01 – 1,5 p = 0,03 resulto significativo en modelo multivariado. No existió ninguna otra significancia en los demos modelos (SBO, REBO).  Existe buena confiabilidad para las diferentes subescalas de MBI.

Conclusión: existe una prevalencia media de REBO en comparación con el SBO (25,7% vs 18,8%) respectivamente.

Introducción

En 1974 se describió por primera vez el Síndrome de Burnout (SBO) (1), desde entonces, ha ido tomando gran importancia en múltiples áreas laborales, siendo el área médica una de las profesiones más comúnmente afectadas (2), de entre las cuales, la anestesiología no es la excepción (3). Existe evidencia de una tendencia al aumento en su prevalencia, a nivel mundial (4), como también en México (5). El SBO se define como un síndrome psicológico, de agotamiento emocional, despersonalización y  disminución de la realización personal, que puede ocurrir en individuos normales (6), siendo una condición clínicamente significativa e íntimamente relacionada con la disminución en la calidad de vida, salud del médico, satisfacción del paciente, calidad de la atención y comportamiento poco profesional; llevando a un aumento de errores médicos (7). Debido a la pandemia del COVID-19 muchos sistemas de salud colapsaron alrededor del mundo, México no fue la excepción (8), afectando la salud mental del personal; enfermeras y médicos (9, 10). Esto debido a que trabajan con un alto nivel de exposición laboral, largas jornadas de trabajo, además de, un alto nivel de exigencia y sobrecarga laboral (11).

Para medir el desgaste profesional se utiliza el cuestionario Maslach Burnout Inventory (MBI), constituido por 22 ítems en forma de afirmaciones, sobre los sentimientos y actitudes del profesional. Cuenta con tres subescalas: despersonalización (DS), desgaste emocional (DEM), realización personal (RP) (12). Para diagnosticar de SBO al voluntario debe tener una presencia alta en la subescala DEM y DS, mientras que en RP debe ser baja. Cabe mencionar la existencia del término “riesgo elevado de burnout” (RESBO) el cual consiste en presencia alta de DEM y DS solamente (3).

Dadas las graves implicaciones del SBO y REBO en los médicos anestesiólogos, es necesario identificar potenciales predictores que puedan influir en el fenómeno. Adquirir una mejor comprensión de estos predictores puede permitir el desarrollo de resoluciones que apunten a las causas más graves para una posible reducción y mejorar el bienestar de los futuros anestesiólogos.

Materiales y métodos

Se realizó un estudio de escuetas en médicos adscritos y residentes del servicio de anestesiología en el Centro Médico Nacional, Hospital de Especialidades “La Raza” del Instituto Mexicano del Seguro Social (IMSS) durante el periodo comprendido entre Marzo a Diciembre del 2021. El presente trabajo es la base de una tesis de especialidad en Anestesiologia, registrada en la base de datos de la Universidad Autónoma de México (UNAM). Se llevó a cabo con base a las guías metodológicas Strengthening The Reporting of Observational Studies (STROBE) para estudios observacionales (13). Además de contar con aprobación y registro del comité de Ética e Investigación local con número de registro CLIS R-2021-3501-041.

Se utilizó el MBI para diagnóstico de SBO con sus respectivas subescalas: DS, DEM y RP. El MBI consta de un cuestionario conformado por 22 ítems, los cuales, se dividen con base a la subescala evaluada; DE corresponden los ítems; 1, 2, 3, 6, 8, 13, 14, 16, 20, D; 5, 10, 11, 15, 22 y por último RP: 4, 7, 9, 12,17, 18, 19, 21. En el Anexo 1 se muestra la forma de evaluar la presencia e ítems del MBI para diagnóstico del SBO y REBO.

Los criterios de inclusión fueron médicos residentes y adscritos de cualquier turno, edad o género con 6 meses o más de experiencia trabajando en áreas relacionadas a pacientes con diagnóstico de Covid-19. Como único criterio de exclusión fue la decisión de no participación en el estudio. Las variables se clasificaron en demográficas (edad, género, tipo de trabajador), de estudio (tiempo en áreas Covid [TAC], último contacto paciente Covid [UCPC], hijos, estado civil) e instrumento MBI (22 ítems, Tabla 1).

Tabla 1: Escala Maslach Burnout Inventory

El muestreo fue de tipo no probabilístico por conveniencia con la finalidad de recabar la mayor cantidad de encuestas posibles y dado que se tiene un número limitado de posibles participantes, determinado por la plantilla del personal. Para el análisis estadístico, todas las variables se examinaron primero de forma general y posterior agrupándolas con base a la presencia o ausencia SBO (SBO vs No-SBO). Las variables cuantitativas se presentan en forma de media (desviación estándar [DE]) o mediana (rango intercuartil [RIQ]), mientras que aquellas variables cualitativas en frecuencia absoluta (porcentaje [%]). Para la comparación entre grupos se utilizó la prueba t de student de muestras independientes. La confiabilidad de los ítems del instrumento de medición se realizó mediante el cálculo de alfa de Cronbach considerándose adecuado un valor mínimo 0.50, siendo preferibles los valores superiores a 0.75.

Se construyeron diferentes modelos de regresión logística binomial para explorar los posibles factores de riesgo para las diferentes subescalas, SBO y REBO primero de manera univariable y posterior multivariante. Se tomo como variable dependiente las subescalas, SBO y REBO , mientras que las variables independientes fueron las variables demográficas, se ajustaron los modelos con las variables de estudio: TAC, UCPC, hijos y estado civil. Para la construcción de los modelos multivariante se agregaron las variables con el método Enter. La bondad de ajuste de los modelos se realizó por la prueba Hosmer y Lemeshow.

Los resultados se expresaron en forma de Odds Ratio (OR) junto a sus intervalos de confianza del 95% (IC95%), se tomó un valor de p <0,05 como significancia estadística. Las pruebas se realizaron utilizando el programa SPSS (v25) y Rstudio. Los resultados se presentan en forma de tablas y gráficas según se necesitó.

Resultados

Del total de la muestra (N=101) el SBO presento una prevalencia de 18,8% y el REBO una de 25,7%. Existió una mayor proporción del género femenino con 54 voluntarios (53%). La mayoría de la muestra se ubicó en la edad comprendida de 20 a 30 años (42%). Casi la mitad de la muestra (48.4%) trabajó entre 11 a 15 meses en áreas Covid, mientras que más de la mitad lleva solo 6 meses o menos sin tener contacto con pacientes con diagnóstico de Covid.  Al comparar grupos no se observó diferencia en ninguna variable demográfica ni de estudio, por otro lado, existió diferencia entre grupos en los grados de presencia (baja, media, alta) de todas las subescalas. Los indicios de SBO se presentaron con una frecuencia de 31 (30,7%) para la subescala DEM, 57 (56,4%) para DS y 63 (62,4%) para RP. Tabla 2.

Tabla 2: Resumen de las variables demográficas, de estudio y subescalas del estudio. Los resultados se presentan mediante frecuencia absoluta (%)

Los coeficientes de confiabilidad (alfa de Cronbach) para las diferentes subescalas fueron: DEM (a = 0,84), DS (a = 0,65), RP (a = 0,85). Se identificó significancia estadística (p < 0,05) de los médicos del servicio de anestesiología entre grupos en la mayoría de ítems, siendo la excepción: ítem 4 (p = 0,30), ítem 7 (p = 0,11) e ítem 22 (0,20). El resto de los resultados se muestra en la tabla 3.

Tabla 3: Descripción estadística de los items del instrumento de medición agrupados con base al diagnóstico del síndrome de Burnout y a las diferentes subescalas. También se muestra el coeficiente de confiabilidad (alfa de Cronbach). Los resultados se presentan en forma de media (desviación estándar). Para la comparación entre grupos se utilizó la prueba t de Student de muestras independientes. El coeficiente de confiabilidad (alfa de Cronbach) se considera adecuada >0.70.

En el análisis de regresión logística para la subescala DEM; TAC OR 1,16, IC95% 0.96 – 1,39, p = 0,10 y UCPC OR 1,14, IC95% 0,9 – 1,43, p = 0.10 fueron estadísticamente significativos en el modelo univariado, de estos, solo TAC OR 1,23, IC95% 1,01 – 1,5, p = 0,03 resulto estadísticamente significativo en el modelo multivariado. Subescala DS; edad OR 1,1, IC95% 1,03 – 1,19, p = 0,003; trabajador OR 3,52, IC95% 1,46 – 8,45, p = 0,005; TAC OR 0,85, IC95% 0,71 – 1,01 , p = 0,07 y UCPC OR 1,37, IC95% 1,09 – 1,73, p = 0,006 tuvieron significancia en los modelos univariados, pero, ningún resulto significativo en el modelo multivariado. Por último, la subescala DP; genero OR 1,06, IC95% 0,99 – 1,13, p = 0,08; edad OR 2,09, IC95% 0,92 – 4,73, p = 0,07; trabajador OR 2,92 IC95% 1,19 – 7,18, p = 0,01 y UCPC OR 1,31, IC95% 1,04 – 1,64, p = 0,02 fueron significativos, sin embargo, de igual manera ninguna resulto significativa en el modelo multivariado. Los resultados de modelos de regresión logística univariable y multivariable se muestra en la Tabla 4.En los resultados de los modelos de regresión logística univariados para el REBO y SBO no existió ninguna significancia estadística. Tabla 5.

Tabla 4: resultados de la regresión logística univariable y multivariable de la deferentes subescalas para SBO. TAC; tiempo en áreas Covid, UCPC; último contacto paciente Covid.
Tabla 5: resultados de la regresión logística univariable para riesgo elevado de burnout y síndrome de burnout. TAC; tiempo en áreas Covid, UCPC; último contacto paciente Covid.

Discusión

Rodrigues y cols (14) reportaron una alta variabilidad de la prevalencia de SBO entre especialidades, siendo alta (42,5%) en Anestesiología, contrastando con lo encontrado en el presente estudio (18,8%), esto se podría explicar porque, todo el personal ya contaba con sus esquemas de vacunación completos, además, de una gran experiencia en estas áreas tras al menos un año de trabajo en pandemia, llevando al personal a un mejor manejo del estrés. La edad emerge como un probable factor protector, la mayoría de anestesiólogos con SBO están por debajo de los 40años, lo cual, concuerda con resultados de otros autores (15), el SBO tiende a disminuir con la edad posiblemente debido al enfoque más “idealista” y empático de los médicos más jóvenes. A pesar de existir más proporción de sexo femenino entre los afectados, no existió significancia estadística entre grupos. En una revisión sistemática por Prasad y col (16) encontraron niveles de estrés más altos entre mujeres, esto lo relacionaron al estrés y agotamiento asociado al miedo a la exposición o transmisión (intubación orotraqueal en pandemia), ansiedad / depresión autoinformada y sobrecarga de trabajo. Tal vez, esta alta exposición al riesgo de las trabajadoras puede estar relacionada con su predominio en los roles de atención al paciente (servicio de enfermería), discriminación de género, las expectativas de género en la atención y la falta de atención en el trabajo de «doble turno» con altas cargas de trabajo en el hogar, exacerbado por un acceso limitado a equipos de protección personal, principalmente en países de ingresos bajos. Por otro lado, muchos otros estudios no encontraron el sexo como un predictor independiente del SBO (17).

Se notó la significación entre amos grupos para todos los ítems y subescalas MBI. La consistencia interna medida con el Alfa de Cronbach fue igual o superior a la de estudios previos de SBO (18, 19) en otros países y también en México (20).

En términos de factores de riesgo para el desarrolla de SBO o REBO la evidencia no es clara, si bien, en nuestro estudio ninguna de las variables demográficas ni de estudio fueron significativas, el trabajo de Afonso et al (3) sugiere como principales factores de riesgo aquellos relacionados al lugar de trabajo, en lugar de factores personales, lo cual, ayudaría a explicar los hallazgos de la presente investigación, en particular; lo encontrado en relación a la subescala DEM en donde el TAC fue el único factor de riesgo estadísticamente significativo en el análisis multivariante. Otros ejemplos de estos factores pudieran ser: la falta de apoyo en el lugar de trabajo, trabajar más o igual de 40 horas a la semana, la escasez de personal y la falta de un confidente en el lugar de trabajo. Pero, esto discrepa a otros estudios en los cuales los factores relacionados con mayor riesgo incluyeron; consumo excesivo de alcohol, identidad de género femenino, no estar casado, raza blanca no hispana, entorno de aprendizaje deficiente, calidad del sueño inadecuada y bajos ingresos (17, 21).

Nuestro estudio cuenta con algunas limitaciones importantes, de entre las cuales se encuentra, primero, el cuestionario MBI se realizó tras más de un año de inicio de la pandemia, por lo que, el personal de salud tenía gran experiencia en áreas Covid-19. Segundo, el personal de salud ya tenía sus esquema de vacunas contra Covid-19, sin duda esto podría afectar al desempeño y  la confianza con la que los médicos realizan sus actividades.  Tercero, la muestra solo es representativa del este centro por lo que habría que ser cautos con la generalización de los resultados a otras poblaciones.

Conclusión

Debido al estrés inherente de los medios anestesiólogos, el SBO es un riesgo latente. Existe una prevalencia media de REBO en comparación con el SBO (25.7% vs 18.8%) respectivamente. No quedan clara la asociación entre variables demográficas y de estudio para el desarrollo de REBO o para SBO. Pero, parece ser que los factores relacionados al área de trabajo juegan un papel más importante (TAC) para algunas subescalas como DEM. Se debe de explorar mejor la asociación entre variables relacionadas al lugar de trabajo; apoyo en el trabajo y el hogar, largas horas de trabajo, escasez de personal como una posible intervención para poder identificar aquellos anestesiólogos en riesgo y diseñar iniciativas para reducir el riesgo de SBO y REBO existente entre anestesiólogos.

Bibliografía

  1. Heinemann, L. V., Heinemann, T. Burnout research: Emergence and scientific investigation of a contested diagnosis. Sage Open, 2017 7(1). Disponible en: doi: 2158244017697154. (HTML)
  2. Shanafelt TD, West CP, Sinsky C, Trockel M, Tutty M, Satele DV et al. Changes in Burnout and Satisfaction With Work-Life Integration in Physicians and the General US Working Population Between 2011 and 2017. Mayo Clin Proc. 2019 Sep;94(9):1681-1694. Disponible en: doi: 10.1016/j.mayocp.2018.10.023. (PubMed)
  3. Afonso AM, Cadwell JB, Staffa SJ, Zurakowski D, Vinson AE. Burnout Rate and Risk Factors among Anesthesiologists in the United States. Anesthesiology. 2021 May 1;134(5):683-696. Disponible en: doi: 10.1097/ALN.0000000000003722. (PubMed)
  4. Bridgeman PJ, Bridgeman MB, Barone J. Burnout syndrome among healthcare professionals. Am J Health Syst Pharm. 2018 Feb 1;75(3):147-152. Disponible en: doi: 10.2146/ajhp170460 (PubMed)
  5. Juárez-García, Arturo, Idrovo, Álvaro J., Camacho-Ávila, Anabel, et al. Síndrome de burnout en población mexicana: Una revisión sistemática. Salud mental, 2014;37(2): 159-176. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0185-33252014000200010&lng=es&tlng=es. (HTML)
  6. Maslach C, Jackson S, Leiter M: Maslach Burnout Inventory. 3rd edition. Palo Alto, Consulting Psychologists Press, 1996 (HTML)
  7. Dyrbye LN, West CP, Hunderfund AL, Sinsky CA, Trockel M, et al. Relationship Between Burnout, Professional Behaviors, and Cost-Conscious Attitudes Among US Physicians. J Gen Intern Med. 2020 May;35(5):1465-1476. Disponible en: doi: 10.1007/s11606-019-05376-x. (HTML)
  8. Quiroz-Ascencio G, Vergara-Orozco MG, Yáñez-Campos M del R, et al. Prevalencia de síndrome de Burnout en profesionales de la salud ante pandemia de COVID-19. Sal Jal. 2021;8(Esp):20-32. Disponible en: https://www.medigraphic.com/cgi-bin/new/resumen.cgi?IDARTICULO=101502&id2= (HTML)
  9. Shah K, Chaudhari G, Kamrai D, Lail A, Patel RS. How Essential Is to Focus on Physician’s Health and Burnout in Coronavirus (COVID-19) Pandemic? Cureus. 2020 Apr 4;12(4):e7538. Disponible en: doi: 10.7759/cureus.7538. (PubMed)
  10. Salazar de Pablo G, Vaquerizo-Serrano J, Catalan A, Arango C, Moreno C, et al. Impact of coronavirus syndromes on physical and mental health of health care workers: Systematic review and meta-analysis. J Affect Disord. 2020 Oct 1;275:48-57. Disponible en: doi: 10.1016/j.jad.2020.06.022. (PubMed)
  11. Silva-Gomes RN, Silva-Gomes VT. COVID-19 pandemic: Burnout syndrome in healthcare professionals working in field hospitals in Brazil. Pandemia de la COVID-19: síndrome de Burnout en profesionales sanitarios que trabajan en hospitales de campaña en Brasil. Enferm Clin (Engl Ed). 2021;31(2):128-129. Disponible en: doi:10.1016/j.enfcli.2020.10.011 (HTML)
  12. Obregon M, Luo J, Shelton J, Blevins T, MacDowell M. Assessment of burnout in medical students using the Maslach Burnout Inventory-Student Survey: a cross-sectional data analysis. BMC Med Educ. 2020 Oct 21;20(1):376. Disponible en: doi: 10.1186/s12909-020-02274-3. (PubMed)
  13. Cuschieri S. The STROBE guidelines. Saudi J Anaesth. 2019 Apr;13(Suppl 1):S31-S34. Disponible en: doi: 10.4103/sja.SJA_543_18. (PubMed)
  14. Rodrigues H, Cobucci R, Oliveira A, Cabral JV, Medeiros L, Gurgel K et al. Burnout syndrome among medical residents: A systematic review and meta-analysis. PLoS One. 2018 Nov 12;13(11):e0206840. Disponible en: doi: 10.1371/journal.pone.0206840. (PubMed)
  15. Wiederhold BK, Cipresso P, Pizzioli D, Wiederhold M, Riva G. Intervention for Physician Burnout: A Systematic Review. Open Med (Wars). 2018 Jul 4;13:253-263. Disponible en: doi: 10.1515/med-2018-0039. (PubMed)
  16. Prasad K, McLoughlin C, Stillman M, Poplau S, Goelz E, Taylor S et al. Prevalence and correlates of stress and burnout among U.S. healthcare workers during the COVID-19 pandemic: A national cross-sectional survey study. EClinicalMedicine. 2021 May 16;35:100879. Disponible en: doi: 10.1016/j.eclinm.2021.100879. (PubMed)
  17. Marshall AL, Dyrbye LN, Shanafelt TD, Sinsky CA, Satele D, et al. Disparities in Burnout and Satisfaction With Work-Life Integration in U.S. Physicians by Gender and Practice Setting. Acad Med. 2020 Sep;95(9):1435-1443. Disponible en: doi: 10.1097/ACM.0000000000003521. (HTML)
  18. Moss M, Good VS, Gozal D, Kleinpell R, Sessler CN. A Critical Care Societies Collaborative Statement: Burnout Syndrome in Critical Care Health-care Professionals. A Call for Action. Am J Respir Crit Care Med. 2016 Jul 1;194(1):106-13. Disponible en: doi: 10.1164/rccm.201604-0708ST. (PubMed)
  19. Poghosyan L, Aiken LH, Sloane DM. Factor structure of the Maslach burnout inventory: an analysis of data from large scale cross-sectional surveys of nurses from eight countries. Int J Nurs Stud. 2009 Jul;46(7):894-902. Disponible en: doi: 10.1016/j.ijnurstu.2009.03.004. (PMC)
  20. Aranda Beltrán, Carolina, Pando Moreno, Manuel, Salazar Estrada, José Guadalupe. Confiabilidad y validación de la escala Maslach Burnout Inventory (Hss) en trabajadores del occidente de México. Revista Salud Uninorte. 2016;32(2), 218-227. Disponible en: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-55522016000200005&lng=en&tlng=es. (HTML)
  21. Garcia LC, Shanafelt TD, West CP, Sinsky CA, Trockel MT, Nedelec L, et al. Burnout, Depression, Career Satisfaction, and Work-Life Integration by Physician Race/Ethnicity. JAMA Netw Open. 2020 Aug 3;3(8):e2012762. Disponible en: doi: 10.1001/jamanetworkopen.2020.12762 (HTML)
Tags from the story
More from Diego Escarramán Martínez

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *



Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.