职业心理健康:使用可解释机器学习技术对风险指标的调查
André Luis Schneider1, Juliana Sampaio do Carmo, Érick Oliveira Rodrigues
1From the Graduate Program in Production & Systems Engineering (PPGEPS), Federal University of Technology-Paraná (UTFPR), Pato Branco, Paraná, Brazil (A.L.S., J.S.D.C., É.O.R., S.L.R.P.); and National Laboratory of Scientific Computing (LNCC), Petrópolis, Rio de Janeiro, Brazil (É.O.R.).
Journal of occupational and environmental medicine
|June 9, 2025
概括
可解释机器学习准确地识别与工作相关的心理健康风险,揭示了早期干预策略的关键因素,如工作移除和高风险工作.
科学领域:
- 职业健康 职业健康 职业健康
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 与工作相关的心理健康问题构成了重大的公共卫生挑战.
- 早期识别风险因素对于有效干预至关重要.
研究的目的:
- 应用可解释的机器学习 (ML) 模型来识别影响工作相关精神健康病例的关键因素.
- 支持开发职场心理健康早期干预策略.
主要方法:
- 利用了来自巴西可通报疾病信息系统 (2007-2022) 的1117条记录.
- 开发了五种ML模型来将心理健康病例分类为轻度或重度.
- 使用SHAP (夏普利添加式扩展) 分析进行预测解释.
主要成果:
- 决策树模型达到了82.9%的准确率;支持向量机达到了82.0%的准确率.
- 确定了包括移工,保护措施和区域因素在内的关键决定因素.
- 确定了高风险职业:能源/水务运营商,法律专业人员和工程师.
结论:
- 可解释的ML模型在预测心理健康结果方面表现出有效性.
- 揭示了针对有针对性的干预措施的可操作的社会人口和职业风险因素.
- 调查结果支持主动策略,以减轻与工作有关的心理健康问题.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.9K
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
435
