在中国护理实习生中开发和验证基于机器学习的对同情疲劳的预测模型:采用潜伏配置分析的横截面研究

科学领域:

• 护理教育 护理教育
• 医疗保健信息学 医疗保健信息学
• 心理健康 心理健康

背景情况:

• 慈悲疲劳是护理学生的一个重要问题,影响职业选择和护理质量.
• 现有的风险评估工具缺乏准确性,原因是对集团内部变化的考虑不足.
• 早期识别高风险学生对于有效的干预策略至关重要.

研究的目的:

• 开发和验证一个预测模型,用于评估临床实习期间护理学生的同情疲劳风险.
• 为了提高识别容易患同情疲劳的学生的准确性.

主要方法:

• 一项涉及中国2256名护理学生的横截面研究.
• 使用隐性配置分析,LASSO回归和八个机器学习算法 (包括XGBoost) 来进行预测.
• 评估了同情疲劳,专业身份,自我效能,社会支持,弹性和应对风格.

主要成果:

• 确定了三种同情疲劳概况:低 (55.73%),中度 (32.17%) 和严重 (12.10%).
• XGBoost模型显示出强大的预测性能 (AUC:0.840训练,0.768验证,0.731测试).
• 心理性,专业身份和社会支持成为同情疲劳风险的主要预测因素.

结论:

• XGBoost模型提供了一种强大而准确的方法来预测护理学生的同情疲劳.
• 开发了一个可访问的基于Web的工具,以帮助管理员管理同情疲劳.
• 这些发现支持在护理教育和实践中早期发现和干预.