Une question ? Je réponds !
Bibliothèque · Cockpit-LCA by DrDLM™
Multidomain correlates of burnout: A population-based study using supervised machine learning

Multidomain correlates of burnout: A population-based study using supervised machine learning

Monstadt A., Friedrich Y., Rottstädt F., Weiss M., Behrens T., Casjens S., Frost J., Massag J. · Social Psychiatry and Psychiatric Epidemiology 2026 · DOI ↗
12,5
sur 25
Fragile
Sujet hors orthobiologie — le sixième pilier n'est pas applicable, le barème est sur 25.
P1 — Méthodologie
2
P2 — Biais & transparence
2,5
P3 — Résultats
3
P4 — Applicabilité
1,5
P5 — Cohérence bio/biomécanique
3,5
P6 — Caractérisation du produit
0
Design détecté : Étude transversale (cross-sectional) au sein d'une cohorte populationnelle établie
Outil de biais : ROBINS-I · Barème V6.2
Niveau de preuve déclaré : III (étude de cohorte)
Profil à trois axes — complément du total, pas son remplacement
A — Validité interne
Cfaible2,5/5
P1 2/5 · P2 2,5/5 · P3 3/5
B — Certitude des preuves
Cfaible
Niveau de preuve déclaré : III (étude de cohorte). Appréciation DrDLM de la certitude : faible. Niveau déduit du design de l'étude.
C — Pertinence DrDLM
Cfaible2,5/5
P4 1,5/5 · P5 3,5/5
Le total de 12,5/25 additionne des dimensions hétérogènes : validité, applicabilité et plausibilité biologique. Un article peut donc engranger des points de pertinence tout en restant fragile sur sa validité interne. Le profil à trois axes empêche cette compensation ; il se lit avant le total.
Traçabilité des sources — Crossref et PubMed
7/7
Références résolues
7
DOI
4
PMID
0
Écarts de titre
1
Titres abrégés
Appels de référence ambigus : les numéros 72, 76, 178 cités dans l'analyse n'existent pas dans la liste de 7 références. Ils renvoient à la bibliographie de l'article source et doivent être requalifiés pour être vérifiables.
Liens d'intérêts de l'analyste

L'analyste déclare n'avoir aucun lien d'intérêt avec les auteurs, les financeurs ni les fabricants des produits évalués.

Analyse réalisée sans financement externe ni contrepartie, à partir du seul document fourni. Aucun honoraire, aucune rémunération de conseil et aucune participation au capital d'un fabricant cité.

Docteur Pierre DUCHESNE DE LAMOTTE (@pierre_2dlm) — 29/10/2026
Faille principale identifiée
Design strictement transversal empêchant toute conclusion causale…
7 limites majeures sont détaillées dans l'analyse complète, chacune sourcée dans l'article.

1. RÉFÉRENCES DE L'ARTICLE

ChampValeur
TitreMultidomain correlates of burnout: A population-based study using supervised machine learning
AuteursMonstadt A., Friedrich Y., Rottstädt F., Weiss M., Behrens T., Casjens S., Frost J., Massag J.
AffiliationNon rapporté précisément dans le texte fourni (institutions allemandes liées à DigiHero : Universitätsmedizin Halle, IPA/Ruhr University Bochum pour T.B. et S.C.)
JournalSocial Psychiatry and Psychiatric Epidemiology
Année2026
DOI10.1007/s00127-026-03113-4
Type d'étudeÉtude transversale (cross-sectional) au sein d'une cohorte populationnelle (DigiHero), analyse statistique univariée + apprentissage automatique supervisé (xg-boost, SHAP)
Pré-enregistrementNon rapporté
Comité éthiqueUniversitätsmedizin Halle, n° 2020-076
COIPartiellement déclarés — T.B. et S.C. employés de l'IPA (Institute for Prevention and Occupational Medicine), financé par la German Social Accident Insurance (DGUV) ; indépendance analytique affirmée par les auteurs
FinancementOpen Access via Projekt DEAL ; financements multiples institutionnels/gouvernementaux allemands (BMBF, Leibniz ScienceCampus, DGUV, ministères régionaux) selon les zones de recrutement
Version à citerversion en ligne (article in press), doi:10.1007/s00127-026-03113-4 — à actualiser dès la pagination définitive


2. RÉSUMÉ STRUCTURÉ (PICO)

Objectif : Déterminer dans quelle mesure et comment le burnout est lié à des facteurs organisationnels, des conditions psychosociales d'emploi, des variables sociodémographiques et la santé mentale, dans un échantillon de population générale allemande.

Population : 27 020 participants (18-67 ans, M=46,8 ans, SD=11,16 ; 65,2 % femmes) issus de la cohorte populationnelle allemande DigiHero, actifs professionnellement, ayant répondu à la vague "santé au travail" (novembre 2023) ; échantillon final après exclusions successives depuis un pool initial de 90 842 participants.

Intervention : Non applicable — étude observationnelle transversale sans intervention. Exposition étudiée = ensemble multidomaine de variables (facteurs organisationnels, conditions psychosociales ERI/overcommitment/interférence vie pro-vie privée, variables sociodémographiques, santé mentale PHQ-9/GAD-7/CD-RISC/PHQ-15).

Comparateur : Non applicable (pas de groupe comparateur au sens expérimental) ; comparaison méthodologique entre statistiques univariées classiques et modèle d'apprentissage automatique (xg-boost) avec interprétation SHAP.

Outcomes : Score de burnout mesuré par le Maslach Burnout Inventory - General Survey (MBI-GS, 16 items, score global et 3 sous-échelles : épuisement émotionnel, cynisme, efficacité personnelle réduite).

Résultats : Le modèle xg-boost atteint un R² = 0,592. Les prédicteurs les plus forts sont le déséquilibre effort-récompense, l'interférence vie professionnelle/vie privée, le surinvestissement (overcommitment) et une mauvaise santé mentale générale (dépression, anxiété). Les facteurs organisationnels et sociodémographiques ont une importance globalement moindre, bien que l'occupation, le télétravail prolongé, l'âge et le revenu montrent des effets notables mais modestes. Les résultats restent robustes après pondération par poids d'échantillon (R² pondéré = 0,589).


3. Analyse méthodologique
Population et critères d'inclusion · Comparateur et randomisation · Calcul d'effectif et puissance statistique · Aveuglement des évaluateurs · Critère de jugement principal et critères secondaires · Durée de suivi et perdus de vue · Analyse en intention de traiter · Gestion des données manquantes · Correction de multiplicité · Pré-enregistrement du protocole et écarts déclarés...

La suite de l'analyse est réservée aux comptes

Les quatorze sections — analyse méthodologique, évaluation des biais, résultats, validité externe, cohérence physiopathologique, certitude des preuves, application clinique — sont lisibles gratuitement dès la création d'un compte. Deux crédits d'analyse vous sont offerts chaque mois.

Formation LCA · Institut 2DMP

Auriez-vous repéré cette faille en lisant l'article ?

Quatre modules, le barème DrDLM V6.2 expliqué pilier par pilier, et des articles réels à disséquer. À l'issue, vous appliquez seul la méthode que vous venez de lire.

Institut 2DMP — Organisme de formation déclaré · N° de déclaration d'activité 75331869333 — DREETS Nouvelle-Aquitaine. Cet enregistrement ne vaut pas agrément de l'État.