用机器学习驱动的关键风险因素的识别,用于预测护士抑郁症

科学领域:

• 医疗信息学 医疗信息学
• 公共卫生 公共卫生
• 精神病学是一个精神病学.

背景情况:

• 由SARS-CoV-2引起的COVID-19大流行,已成为全球健康的重大威胁.
• 在中国2022年放宽疫情控制政策增加了护理人员的感染风险.
• 在疫情期间,护理人员面临着更高的风险和潜在的心理健康挑战.

研究的目的:

• 在2022年全面恢复COVID-19措施后,在中国的护理人员中确定抑郁症的风险因素.
• 开发和验证一个预测模型来评估这一群体的抑郁风险.
• 为处于危险的护理人员提供早期识别和干预工具.

主要方法:

• 一项涉及293名护理人员的横截面研究在中国安省进行.
• 开发了机器学习模型,包括后勤回归,支持向量机 (SVM),极端梯度提升机 (XGBoost) 和自适应提升 (AdaBoost).
• 模型使用十倍交叉验证进行了训练和验证,通过接收器操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• XGBoost模型实现了最高的预测准确度,AUC为0.95和F1得分为0.90.
• 后勤回归,SVM和AdaBoost模型也表现出强大的预测能力.
• 开发的模型有效地确定了中国护理人员中抑郁症的常见风险因素.

结论:

• XGBoost模型为预测护理人员抑郁风险提供了一个强大的工具,帮助临床管理人员及时进行干预.
• 调查结果强调,需要为医疗保健工作者提供量身定制的心理健康支持,考虑到全球不同的工作环境.
• 未来的研究应该集中在更大规模的多中心研究上,以验证模型,并探索护理人员心理健康的额外风险因素.