通过机器学习和沙普利的附加解释,预测中国女性护士的失业情况

科学领域:

• 护理 护理 护理
• 职业健康 职业健康 职业健康
• 数据科学数据科学数据科学

背景情况:

• 工作倦怠是影响护士的重大全球问题,对预测建模工具的研究有限,特别是在中国.
• 了解燃烧的预测因素对于开发有效的干预措施来支持护理人员至关重要.

研究的目的:

• 为了确定在中国的女性护士中职业倦怠的常见预测因素.
• 开发和优化机器学习 (ML) 模型,用于预测护士工作倦怠.
• 探索影响工作倦怠的关键因素的相互作用.

主要方法:

• 一项涉及中国1400名女护士的横截面研究,使用智能手机问卷 (2022年1月至4月).
• 应用LASSO和Boruta用于预测器识别.
• 优化和评估K-最近邻居 (KNN),随机森林 (RF) 和极端梯度增强 (XGBoost) ML算法.
• 使用Shapley增量解释 (SHAP) 进行预测贡献分析.

主要成果:

• 在所有测试的ML模型中,XGBoost在0.939的曲线下的面积 (AUC) 中显示了对工作倦怠的最高预测性能,在0.85-0.95的范围内.
• 一致性,感知到的压力和身体疲劳被认为是防止工作倦怠的重要保护因素.
• 一致性显示了与感知压力,组织支持,心理分离和控制感的互动效应.

结论:

• 机器学习模型,特别是XGBoost,可以有效地预测女性护士的工作倦怠.
• 识别关键的保护因素及其相互作用为制定有针对性的策略提供了基础,以减轻护士倦怠.
• 这些发现为医疗机构提供了有价值的见解,以支持护理人员的福祉和减少倦怠率.