根据工作需求-资源模型预测护士工作倦怠:一种可解释的机器学习方法

科学领域:

• 职业健康 职业健康 职业健康
• 护理研究 护理研究
• 在医疗保健中的数据科学.

背景情况:

• 职业倦怠 (JB) 是护士的一个重大问题,影响健康和医疗保健质量.
• 工作需求-资源 (JD-R) 模型为理解影响JB的因素提供了一个框架.
• 确定特定的预测因素对于制定有效的预防和干预策略至关重要.

研究的目的:

• 将工作需求-资源 (JD-R) 模型与机器学习 (ML) 技术相结合.
• 确定影响中国护士工作倦怠 (JB) 的关键因素.
• 为优化护理管理策略提供数据驱动的见解.

主要方法:

• 一项涉及中国山东省2998名护士的横截面研究.
• 使用分层采样和训练/测试组分为模型开发.
• 采用Boruta算法进行变量选择和随机森林进行最佳模型预测,并使用SHAP分析进行预测的重要性.

主要成果:

• 通过交叉验证选择的随机森林模型实现了0.63.3的R平方.
• 包括就业需求和资源在内的17个变量与JB相关联.
• SHAP分析确定了心理困扰,感知到的组织支持,情绪智力和D型人格作为JB的四个关键预测因素.

结论:

• 在JD-R框架内,机器学习有效地确定了就业倦怠的关键预测因素.
• 心理困扰,感知到的组织支持,情绪智力和D型人格是这个群体中JB的主要决定因素.
• 研究结果为护理管理人员提供了有价值的见解,以改进干预策略和改善护士福祉.