通过机器学习识别中国护士抑郁症状的影响因素:一项多中心跨部门研究

科学领域:

• 护理 护理 护理
• 心理健康 心理健康
• 机器学习应用 机器学习应用

背景情况:

• 高工作负载有助于护士的抑郁症状.
• 预测护士抑郁症的内部和外部变量尚未得到充分研究.
• 机器学习 (ML) 提供了一种新的方法来识别这些预测因素.

研究的目的:

• 用ML算法预测中国护士的抑郁症状.
• 确定与护士抑郁症相关的关键内部和外部因素.
• 评估ML模型在预测护士心理健康结果方面的有效性.

主要方法:

• 一个智能手机问卷收集了来自1431名中国护士的数据.
• 最大相关性最小冗余性排名的特征重要性.
• 五个ML算法构建了预测模型,由AUC决定的最佳特征子集.
• 模型使用测试集进行了验证,包括将模型与人口统计数据结合起来.

主要成果:

• 在中国护士中,抑郁症状的患病率为31.86%.
• 最佳预测因素包括睡眠障碍,慢性疲劳,身体疲劳,疲和感知到的组织支持.
• ML模型实现了高预测性能 (AUC:0.871-0.895,准确度:0.798-0.815). 机器人机器人机器人机器人机器人机器人机器人机器人
• 与人口统计数据相结合的模型显示性能有所改善 (AUC:0.904,准确率:0.826).

结论:

• 机器学习有效地预测护士的抑郁症状.
• 干预措施应侧重于管理身体疲劳,睡眠障碍,倦怠,并加强组织支持.
• 解决这些因素可以帮助预防护理人员的抑郁症状.