编辑推荐：
为解决护理学生同情疲劳缺乏精准预测模型的问题，安徽中医药大学等单位研究人员开展相关研究，构建预测模型，发现逻辑回归模型最佳且明确关键因素。该研究为护理管理和教育提供依据，值得科研读者一读。
在当今医疗行业快速发展的时代，护理专业作为其中至关重要的一环，备受瞩目。而护理学生作为护理行业的未来主力军，他们在临床实习阶段却面临着一个棘手的问题 —— 同情疲劳（compassion fatigue，指医护人员在长期接触患者的痛苦、压力和创伤后，逐渐失去情感共鸣并感到情绪疲惫的现象 ）。
想象一下，护理学生们满怀热忱地踏入临床实习阶段，本以为能在实践中大展身手，为患者带来帮助。然而，现实却给了他们重重一击。长期暴露在患者的痛苦和创伤之中，他们仿佛置身于情感的漩涡，难以自拔。与正式的医护人员相比，护理学生专业经验不足，情绪调节能力也较弱，这使得他们更容易受到二次创伤等负面情绪的影响，进而加剧了同情疲劳的发生。
同情疲劳可不是一个小问题，它就像一颗隐藏在暗处的定时炸弹，对护理学生的身心健康产生了极大的负面影响。它不仅会削弱护理学生的职业认同感，降低护理质量，还可能导致他们产生职业倦怠和离职意向。可以说，这个问题已经严重影响到了护理教育和管理的质量。
尽管之前有一些研究对影响同情疲劳的因素进行了探索，比如工作压力、情感支持和二次创伤等，但目前仍缺乏系统且准确的预测模型。这就好比在黑暗中摸索，没有一盏明灯为护理管理者和教育者指引方向，他们无法准确识别那些容易出现同情疲劳的高风险护理学生，自然也就难以实施有效的心理支持和干预措施。
为了解决这些问题，安徽中医药大学老年护理与健康实验室的 Huiling Zhang 等人，在《BMC Nursing》期刊上发表了一篇名为 “Establishment and validation of a prediction model for compassion fatigue in nursing students” 的论文。这篇论文就像是一把钥匙，为我们打开了探索护理学生同情疲劳预测模型的大门。研究人员通过一系列研究，成功开发出了护理学生同情疲劳的预测模型，并且发现逻辑回归模型在预测同情疲劳方面表现出色，具有较高的准确性和泛化能力。同时，研究还确定了心理弹性、同伴支持、二次创伤和共情满意度等关键预测因素。这一研究成果意义重大，它为护理管理者和教育者提供了科学依据，帮助他们能够更有针对性地对护理学生进行管理，采取相应的干预措施，从而提高护理学生的心理健康水平。
为了开展这项研究，研究人员采用了多种关键技术方法。他们首先进行了横断面调查，收集了 512 名护理学生的有效问卷数据。接着，运用 LASSO 回归（Least Absolute Shrinkage and Selection Operator regression，一种能对变量进行选择和收缩，有效处理多重共线性和防止模型过拟合的回归分析方法 ）来筛选关键变量。之后，构建了逻辑回归、随机森林、XGBoost 等多种机器学习模型进行预测，并利用 AUC（Area Under the Curve，曲线下面积，用于评估模型性能 ）、PR 曲线（Precision-Recall curve，精确率 - 召回率曲线 ）、DCA（Decision Curve Analysis，决策曲线分析 ）和校准曲线等对模型性能进行评估。最后，使用 SHAP（Shapley Additive exPlanations，用于分析每个变量对预测结果贡献的方法 ）值来解释模型特征的重要性。
下面我们来看看具体的研究结果。
- 基线数据比较：研究人员收集了 512 份有效问卷后，将数据集按照 7：3 的比例随机分为训练集和测试集。经过对比发现，训练集和测试集在人口统计学和工作相关变量方面没有显著差异，这就像是搭建了一个稳固的 “地基”，保证了后续研究的可靠性。
- 护理学生同情疲劳关键因素的选择：通过 LASSO 回归分析，研究人员从 24 个自变量中筛选出了 16 个关键变量，这些变量就像是影响同情疲劳的 “关键密码”。随后进行的多元逻辑回归分析进一步确定了医院级别、年龄、性别、心理弹性、同伴支持、共情满意度、每周护理患者数量和二次创伤等为显著因素，它们在预测同情疲劳方面发挥着重要作用。
- 多种分类模型的综合分析：研究人员构建了逻辑回归、随机森林、XGBoost 和 LightGBM 等多种模型进行预测。结果发现，随机森林和 XGBoost 在训练集上表现较好，而逻辑回归在测试集上的 AUC 值最高，这表明它具有更强的泛化能力。此外，DCA 和校准曲线分析显示，逻辑回归模型在临床应用方面具有很大的潜力，在处理不平衡数据时也表现出色。综合各项指标，逻辑回归模型脱颖而出，成为了最优模型。
- 最佳模型的构建和评估：研究人员对逻辑回归模型进行了深入分析，通过十折交叉验证发现，该模型在训练集、验证集和测试集上的 AUC 值都比较稳定，这说明模型具有良好的预测准确性和泛化能力，就像一个精准的 “导航仪”，能够准确地预测护理学生是否会出现同情疲劳。
- 从 SHAP 到模型解释：利用 SHAP 值，研究人员直观地展示了各个变量对模型预测的影响。结果发现，社会支持、心理弹性和共情满意度对模型的影响最为显著，而医院级别和年龄的影响相对较小。这就好比找到了影响同情疲劳的 “幕后推手”，让我们对模型的理解更加深入。
在讨论部分，研究人员对研究结果进行了更深入的分析。他们发现，同情疲劳在护理学生中十分普遍，这与护理行业的高情感劳动压力密切相关。同时，共情满意度、心理弹性和同伴支持能够显著降低同情疲劳，而二次创伤和繁重的工作量则会加剧同情疲劳。此外，性别、年龄和医院级别也对同情疲劳有一定的影响。例如，女性护理学生和年轻护理学生更容易受到同情疲劳的困扰，而医院级别虽然对同情疲劳的直接影响有限，但不同的工作环境可能会间接影响护理学生的压力水平。
这项研究意义非凡。它成功构建了护理学生同情疲劳的预测模型，为早期识别高风险护理学生提供了有效的工具，就像为护理管理者和教育者配备了一双 “慧眼”，让他们能够提前发现潜在问题。同时，研究确定的关键预测因素也为针对性干预措施的制定提供了理论支持，有助于提升护理学生的心理健康水平和护理教育质量。不过，研究也存在一些局限性，比如样本仅来自一所医学院的实习护理学生，研究设计为横断面研究，无法揭示同情疲劳的动态变化，且存在自我报告数据偏差等问题。但这并不影响它为未来的研究指明方向，后续研究可以通过扩大样本量、开展纵向研究等方式进一步优化模型，验证基于该模型的心理干预措施在减少同情疲劳方面的实际效果。相信在未来，随着研究的不断深入，我们能够更好地帮助护理学生应对同情疲劳，让他们在护理事业的道路上走得更加稳健、更加长远。
