《International Journal of Nursing Studies Advances》：Risk prediction model of compassion fatigue among nurses: a systematic review and meta-analysis
背景：共情疲劳对护理人员、患者及医疗卫生组织均可造成严重后果。近年来，针对护士共情疲劳的预测模型开发受到广泛关注，但由于高风险因素具有多样性，使其在临床场景中的测量与应用较为困难，且这些模型的质量与适用性尚未得到系统性评价。
目的：本系统评价旨在评估现有护士共情疲劳风险预测模型，考察其预测性能与临床实用性，以指导早期风险识别及模型优化。
设计：观察性研究的系统评价与Meta分析。
方法：研究人员检索了Cochrane Library、CINAHL、Embase、ScienceDirect、Web of Science、PubMed、中国知网（CNKI）、万方数据库、中国科技期刊数据库（VIP）和中国生物医学文献数据库（CBM），检索时限为建库至2026年1月21日。提取纳入研究的数据，包括研究设计、数据来源、结局定义、样本量、预测因子、模型开发方法及模型性能。采用预测模型偏倚风险评估工具（PROBAST）清单对偏倚风险与适用性进行评价。
结果：共检索到1268项研究，经筛选后最终纳入7项研究中的10个预测模型。7个模型采用Logistic回归，其余模型分别采用列线图（nomogram）、决策树和随机森林。仅1项研究同时进行了内部验证与外部验证。社会支持、工作满意度、工作压力及工作年限是护士共情疲劳的重要预测因子。临床护士共情疲劳发生率为49.41%～83.88%。报告的曲线下面积（AUC）范围为0.704～0.939。多数研究被判定为高偏倚风险，主要原因在于统计分析领域报告不足。6个经验证模型合并后的AUC值为0.819（95%置信区间=0.746～0.892），提示模型具有中等至较好的区分度。
结论：尽管纳入研究所报告的护士共情疲劳预测模型显示出一定预测性能，但依据PROBAST清单评估，多数模型仍存在较高偏倚风险。未来研究应优先开发具有更大样本量、严格研究设计及多中心外部验证的新模型。
注册：本研究方案已在PROSPERO注册（注册号：CRD42024504226）。
已知内容：针对护士共情疲劳的专门预测模型开发近年来受到广泛关注。护士共情疲劳预测模型有助于识别潜在共情疲劳并开展及时干预，从而维护护士身心健康。
本文新增内容：护士共情疲劳的动态性是未来预测模型创新的重要方向。通过改进方法学环节，包括样本量论证、变量筛选方法以及校准与验证过程的完整报告，可提升模型质量。
1. Background
共情疲劳起源于创伤心理学，指照护者因长期共情患者的身心痛苦而经历的继发性创伤应激（secondary traumatic stress, STS）与职业倦怠（burnout, BO）并存状态。尽管其症状与STS及BO存在重叠，但共情疲劳具有独特的概念基础。早期在急诊护士情境中，该概念被描述为长期工作压力及反复暴露于患者悲伤、焦虑和痛苦后产生的身体、情绪与精神耗竭。随后，该概念被进一步概括为“照护的代价”。随着研究推进，其定义不断演化，并逐步与STS和BO相区分；其中，共情疲劳也被阐释为共情能力的渐进性下降，其特征是不断累积的共情负荷，但可受到共情满足这一积极力量的平衡，从而增强复原力并促进恢复。
护理职业天然要求临床专业能力与大量情绪劳动并存，因此护士属于共情疲劳高风险人群。既往研究显示，护士共情疲劳患病率约为23%～60%，而在急诊科、重症监护病房、安宁疗护科、肿瘤科及精神科等高压科室，其发生率更高。大量证据表明，共情疲劳与失眠、抑郁、情绪耗竭及认知功能受损等严重健康后果相关，也会削弱职业成就感。同时，共情疲劳还可损害患者照护质量，表现为消极应对行为、护患关系紧张及医疗冲突增加；在组织层面，则与更高离职率及生产力下降相关。因此，建立稳健的风险预测与早期识别机制具有重要现实意义。
风险预测模型可整合多种危险因素，用于个体风险分层与临床结局预测，从而支持针对性干预并改善结局。尽管近年来针对护士共情疲劳的预测模型日益增多，但现有模型在预测因子筛选、测量工具、数据质量及模型开发报告方面存在明显异质性与不足，限制了其严谨性、可推广性及临床适用性的系统评估。基于此，本文系统梳理现有护士共情疲劳预测模型，从变量筛选、统计方法、模型性能及内部/外部验证等方面进行综合分析，以为临床实践和模型优化提供证据基础。
2. Methods
本研究方案已在PROSPERO平台完成注册。研究采用系统评价方法，对护士共情疲劳风险预测模型进行识别、筛选、提取、质量评价及综合分析。
2.1. Search Strategy
研究人员首先在中英文数据库中进行预检索，以确定与临床护士共情疲劳风险预测模型相关的关键词与检索词，并确认此前尚无同类系统评价发表。正式检索数据库包括Cochrane Library、CINAHL、Embase、ScienceDirect、Web of Science、PubMed、中国知网（CNKI）、万方数据库、中国科技期刊数据库（VIP）及中国生物医学文献数据库（CBM），检索时限为各数据库建库至2026年1月21日。检索策略结合主题词与自由词，围绕共情疲劳、护士及风险预测等核心概念展开，同时追溯参考文献并检索灰色文献，以尽可能减少遗漏。
研究依据预测模型系统评价指南推荐的PICOTS原则构建研究框架，即：研究对象为执业护士；指数模型为护士共情疲劳风险预测模型，且预测因子不少于2个；无竞争模型要求；结局为共情疲劳发生；预测时点为在评估基本信息及共情疲劳量表结果后进行；研究场景为临床环境。
2.2. Inclusion and exclusion criteria
纳入标准包括：研究对象为临床注册护士，对科室、性别、种族和国籍不作限制；研究设计为观察性研究，包括队列研究、病例对照研究及横断面研究；研究报告了预测模型；结局指标为共情疲劳。排除标准包括：混合样本且无法区分护士独立数据，或仅调查护理技术员、辅助护士、护生；模型预测因子少于2个；非中文或英文发表；重复文献；以及无法获得原文或完整数据的会议摘要、系统评价等。
2.3. Study selection and screening
由两名研究者独立依据纳入与排除标准进行文献筛选。首先利用NoteExpress软件导入并管理检索结果，去重后通过题目与摘要进行初筛，再通读全文完成复筛。全文筛选过程中结合预测模型研究系统评价关键评价与数据提取清单（CHARMS）进行判断，以确保纳入研究符合预测模型评价要求。若研究者间存在分歧，则通过讨论或咨询第三位研究者解决。
2.4. Data extraction
两名研究者独立使用Microsoft Excel表格提取纳入研究信息，意见不一致时由第三位研究者协助裁定。提取内容依据CHARMS清单，主要包括两大部分：其一为基本信息，如作者、发表年份、研究设计、研究对象、数据来源及样本量；其二为模型信息，包括模型开发方法、模型性能指标、验证类型、呈现形式、变量筛选方法、连续变量处理方式、缺失数据处理方式及最终纳入的预测因子。
2.5. Quality assessment
研究采用预测模型偏倚风险评估工具（PROBAST）评价纳入研究的偏倚风险与适用性。两名研究者独立完成评估，必要时由第三位研究者协调。偏倚风险评价包括研究对象、预测因子、结局及统计分析4个维度，共20个问题；若任一问题被评为“否”或“可能否”，则相应维度视为高偏倚风险，仅当所有维度均为低风险时，总体偏倚风险才判定为低。适用性主要从研究对象、预测因子与结局3个维度评价，分为高、低或不明确。
2.6. Data synthesis and statistical analysis
研究使用Medcalc 22.0软件对预测模型的曲线下面积（AUC）进行Meta分析。AUC用于衡量模型区分度，通常AUC＜0.7表示区分度较低，0.7～0.8表示中等，＞0.8表示较高。若原研究仅报告AUC的95%置信区间而未报告标准误（SE），则依据区间宽度进行估算。研究进一步采用I
2指数与Cochrane Q检验评估异质性；当I
2＜50%且P＞0.1时采用固定效应模型，否则采用随机效应模型。对于不适合进行Meta分析的预测因子，则采用描述性分析。发表偏倚使用Egger检验评估，检验水准α=0.05。
3. Result
3.1. Study selection
研究共从各数据库检索获得1268篇文献，经逐层筛选后最终纳入8项研究。筛选流程显示，研究在去重、题目摘要筛选及全文评估后，形成最终证据集合。
3.2. Characteristics of study and model
纳入研究发表于2020年至2025年，均为基于便利抽样的横断面研究，且全部在中国开展，其中3项为多中心研究。样本量介于39至1276例之间，临床护士共情疲劳发生率介于49.41%至83.88%之间，提示该问题在临床护理人群中负担较重。
共纳入10个预测模型，其中7个采用Logistic回归，另外3个分别采用列线图、决策树和随机森林。9个模型通过单因素分析筛选变量，仅1个模型联合使用最小绝对收缩与选择算子回归（least absolute shrinkage and selection operator, LASSO）与单因素分析。所有模型均未充分报告缺失数据处理策略。模型区分度主要以AUC或一致性指数（C-index）报告，多数模型AUC或C-index介于0.704～0.939，提示具有一定区分能力。模型校准主要采用Hosmer-Lemeshow检验或校准曲线，但相关报告并不完整。验证方面，仅2个模型进行了Bootstrap内部验证，其中仅1项研究还实施了外部验证。模型呈现形式包括列线图、基于β系数的风险评分公式，以及未明确展示最终模型等多种方式。预测因子数量为4～8个，以工作相关因素最常见，如工作年限、工作压力、工作满意度及是否愿意再次选择护理职业。
3.3. Assessment of quality
质量评价结果表明，除1项研究外，其余研究总体均存在较高偏倚风险，主要问题集中于统计分析维度。部分研究样本量不足，未达到事件数与变量数之比（events per variable, EPV）＞20的推荐标准，增加了模型过拟合风险。所有研究均未充分说明缺失数据处理方式。部分研究将连续变量分类化，可能导致信息损失。多数研究依赖单因素分析进行变量筛选，容易忽略变量间交互作用与潜在混杂。另有多项研究未完整报告校准与验证信息，限制了模型性能和泛化能力的判断。适用性方面，多数研究总体风险较低，但个别研究在预测因子获取时点、测量方式或结局定义上存在疑虑。
3.4. Meta-analysis of models included in the review
由于部分研究对模型开发细节报告不足，最终仅6项研究可纳入AUC合并分析。其中，包含多种建模方法的研究仅选取基于同一样本建立的Logistic回归模型进行合并。随机效应Meta分析结果显示，合并AUC为0.819，95%置信区间为0.746～0.892，提示护士共情疲劳预测模型总体具有尚可的区分能力。然而，研究间异质性较高，I
2=98.68%，P＜0.001。进一步剔除AUC表现极端的模型后，合并AUC为0.803，且异质性降至I
2=0%，说明总体结果具有一定稳定性。Egger检验未发现显著发表偏倚。
3.5. Descriptive analysis results
对于无法进行Meta分析的预测因子，研究采用描述性分析，并基于工作要求-资源（Job Demands-Resources, JDR）模型进行归类。工作要求类因素包括工作年限、工作压力、工作时长、科室、再次选择护理职业的意愿及工作场所暴力；工作资源类因素包括人格特征、心理韧性、压力应对方式、情绪智力、正念水平及社会支持；此外还包括人口学因素如收入和婚姻状况，以及健康行为因素如睡眠时长、睡眠质量和饮食习惯。综合来看，社会支持、工作满意度、工作压力和工作年限是出现频率较高的核心预测因子。
4. Discussion
本系统评价显示，现有护士共情疲劳预测模型虽然在区分度方面总体达到可接受水平，但研究方法学质量仍有待提升。主要问题包括样本量不足、变量筛选方法较为简单、校准与验证报告不完整，以及缺乏动态预测能力。此外，纳入研究均来自中国，提示现有证据主要建立于单一医疗文化情境，其跨文化泛化能力仍需进一步检验。
4.1. The prediction model for nurses' compassion fatigue awaits further development and exploration
所有纳入研究均发表于近5年，说明护士共情疲劳预测模型仍处于初步探索阶段。尽管AUC普遍＞0.70，但除1项低偏倚研究外，多数模型总体偏倚风险较高。样本量不足使模型易发生过拟合；基于单因素分析的变量筛选可能遗漏重要预测因子；未报告校准方法则使预测概率与真实结局的一致性无法评价；而缺乏外部验证更限制了模型的可推广性。文章进一步指出，共情疲劳本身具有时间依赖性和动态变化特征，但现有模型仅能预测某一时点的发生概率，尚未建立可反映随时间变化风险轨迹的动态预测模型，这应成为未来研究的重要方向。
4.2. Predictors are of great significance to the development of risk prediction models
预测因子的识别是模型开发的关键。现有研究在预测因子选择上尚未形成一致结论。例如，工作年限与共情疲劳之间的关系仍存争议：部分研究认为工作年限越长，长期累积暴露于创伤事件越易导致情绪耗竭；也有观点认为新护士由于临床经验不足及职业发展压力，更容易缺乏有效应对机制而出现共情疲劳。因此，未来需通过多中心、大样本研究澄清该关联，并考虑职业阶段差异。
此外，多数模型依赖单因素分析进行变量筛选，可能忽视变量间相互作用。研究建议采用LASSO等多变量选择方法，并结合工作要求-资源（JDR）模型等理论框架，以更好解释共情疲劳复杂病因。根据JDR模型，过高的工作要求会持续消耗护士情绪资源，而社会支持、工作环境及心理韧性等工作资源可缓冲这一过程。值得注意的是，睡眠作为重要健康行为因素，仅在少数模型中被纳入，这可能与睡眠测量需同时结合主观感受和客观指标、数据采集难度较大有关。未来可考虑引入可穿戴设备等数字化评估手段，在可行性与准确性之间取得平衡。
4.3.The. risk of compassion fatigue among nurses is relatively high
系统评价结果显示，护士共情疲劳发生率为49.41%～83.88%，整体处于较高水平。文章认为，这种高发生率可能与纳入研究多来自中国大城市三级医院有关，此类机构通常收治病情更复杂、工作负荷更高的患者。此外，研究对象多集中于急诊、老年医学等高压专科，这些场景本身即具有更高共情疲劳风险。中国特定的社会文化与医疗体系背景也可能加剧这一风险，例如较严格的护理质量要求、强调忍耐与情绪抑制的职业文化，以及面对职业压力时倾向回避性应对等。
同时，所有纳入研究均来自中国，这一地理集中性一方面可能与中国近年来大数据和人工智能在医疗领域的政策推动有关，另一方面也与本研究严格限定样本为临床注册护士有关。其他国家相关研究常纳入更广泛的医务人员群体，因而未满足本研究纳入标准。基于此，未来应优先在不同文化背景和卫生系统中开发并验证预测模型，以提升护士共情疲劳早期识别工具的普适性。
5. Limitations
本文指出，这是针对临床护士共情疲劳风险预测模型的首个系统评价，系统收集、筛选并整合了模型特征、影响因素与研究结果。但研究仍存在若干局限。首先，纳入研究主要来自中国大陆，可能限制对西方人群的外推性，不同地区应用时可能需进行校正。其次，受限于纳入研究报告透明度和方法学差异，仅少数模型可纳入Meta分析，导致异质性来源难以进一步探讨，且发表偏倚检验效能有限。最后，仅纳入中英文文献，也可能带来一定语言选择偏倚。
6. Conclusion
本系统评价共纳入8项研究、10个模型，其中6个适合Meta分析的模型合并AUC为0.819（95%置信区间=0.746～0.892），表明当前护士共情疲劳预测模型具有一定预测性能。然而，依据预测模型偏倚风险评估工具（PROBAST），其中7项研究存在高偏倚风险，另有1项研究存在适用性疑虑。现有模型在变量筛选上多依赖单因素分析，可能导致预测因子筛选不当，整体尚未达到PROBAST标准。未来研究应加强对PROBAST清单与TRIPOD报告规范的遵循，重点推进大样本、严格设计及多中心外部验证的新模型开发，以提高护士共情疲劳风险预测工具的方法学质量与临床应用价值。
