利用机器学习和技术可解释性（SHAP）分析方法识别手术室护士中的高级别职业倦怠现象：一项多中心横断面研究

《BMC Nursing》：Machine learning and SHAP interpretation to identify high-level compassion fatigue among operating room nurses: a multicenter cross-sectional study

　　

摘要

背景

手术室护士（ORNs）面临较高的同情疲劳（CF）风险，这会严重影响她们的身心健康，破坏护理劳动力的稳定性，并威胁患者的安全。本研究旨在分析ORNs中同情疲劳的患病率及其症状特征，利用机器学习构建并比较预测模型，并确定不同特征对模型的相对贡献。

方法

这是一项多中心横断面研究。研究中使用的问卷包括社会人口统计问卷、职业生活质量量表（ProQoL）、患者健康问卷-9（PHQ-9）、广泛性焦虑障碍7项量表（GAD-7）和匹兹堡睡眠质量指数（PSQI）。采用LASSO回归方法选拔关键变量，并构建了决策树、逻辑回归、随机森林（RF）、支持向量机（SVM）和XGBoost等预测模型进行比较。利用SHapley加性解释（SHAP）方法展示了各特征对模型的贡献。统计分析采用了SPSS 26.0版本和R软件4.4.0版本。

结果

本研究共招募了中国20个城市的1024名手术室护士。根据ProQoL调查结果，326名（31.8%）护士报告有严重同情疲劳，311名（30.4%）有中度同情疲劳，其余387名（37.8%）没有或仅有轻度同情疲劳。在三个维度中，继发性创伤压力的发生率最高（95.4%），其次是同情心满意度低（61.3%）和职业倦怠（35.0%）。在五种基于机器学习的预测模型中，RF模型的AUC值最高，为0.851（95%置信区间：0.795–0.907）。紧随其后的是XGBoost模型，其AUC值为0.824（95%置信区间：0.769–0.879），优于其他算法。两个SHAP分析的结果一致：抑郁、焦虑、自我心理健康培训、睡眠质量和工作年限是影响模型的五个最重要因素。

结论

研究发现ORNs中存在严重的同情疲劳现象，其中最严重的症状是继发性创伤压力。RF模型在识别ORNs的同情疲劳方面表现最佳，而SHAP方法提高了模型的可解释性。本研究的结果有助于医疗管理者和研究人员更好地理解同情疲劳问题，并为ORNs提供及时的干预措施。

临床试验编号

不适用。