机器学习驱动下的护士抑郁风险预测：关键因素识别与模型构建

《BMC Nursing》：Machine learning-driven identification of key risk factors for predicting depression among nurses

在新冠疫情全面放开后，护士抑郁风险问题凸显。安徽医科大学等研究人员开展了 “Machine learning - driven identification of key risk factors for predicting depression among nurses” 研究。结果显示 XGBoost 模型预测精度最高，该研究有助于精准识别护士抑郁风险因素，为临床管理提供依据。

　　2019 年，新冠疫情突如其来，其高传染性、高发病率和高死亡率给全球带来了巨大的健康威胁。随着 2022 年中国全面放宽疫情防控政策，医护人员尤其是护士，面临着更高的感染风险。在照顾新冠患者的过程中，护士不仅要承受高强度的工作压力，还时刻面临感染风险，这使得他们的心理健康问题日益突出，抑郁症状尤为明显。然而，以往的研究大多聚焦于医护人员整体的心理情绪及影响因素，针对护士这一特定群体在疫情全面放开后的抑郁风险研究却相对匮乏。为了填补这一空白，安徽医科大学、安徽大学等研究机构的研究人员开展了相关研究，旨在识别护士抑郁的风险因素并构建预测模型。该研究成果发表在《BMC Nursing》杂志上，为深入了解护士心理健康状况提供了重要依据，也为临床管理提供了新的思路和方法。

研究人员采用了多种关键技术方法。他们选取了安徽省合肥市不同级别医院的临床护士作为样本，通过在线问卷调查收集数据。使用失眠严重程度指数（ISI）量表评估失眠严重程度，感知压力量表（PSS - 10）评估压力水平，患者健康问卷 - 9（PHQ - 9）评估抑郁状态。利用自适应合成采样（ADASYN）技术处理数据不平衡问题，并通过 Z - score 变换对连续变量进行标准化。构建了逻辑回归、支持向量机、极端梯度提升（XGBoost）和自适应增强（AdaBoost）四种机器学习模型，运用 10 折交叉验证和网格搜索优化模型，最终基于受试者工作特征曲线下面积（AUC）选择最佳模型。

研究对象的基本特征

研究共纳入 293 名临床护士，中位年龄为 32.00（29.00 - 36.00）岁，女性占比 99.32% 。研究对象工作年限中位数为 10.00（7.00 - 14.00）年，初级职称者占 45.05%，中级职称者占 50.85% ，高级职称者占 4.10%。其他基线数据在文章表 1 中详细列出。通过对抑郁组和非抑郁组的基线数据比较发现，抑郁组的 ISI 和 PSS 总分更高，且有更高比例的护士曾服用精神药物和在医院隔离，这些差异具有统计学意义（P<0.05）。

模型选择与建立

在训练集上进行 10 折交叉验证后，逻辑回归、支持向量机、XGBoost 和 AdaBoost 模型的 AUC 值分别为 0.86、0.88、0.95 和 0.93。由于 XGBoost 模型的 AUC 值最高，因此被选为最终模型在完整训练集上进行训练。经过网格搜索优化，确定了 XGBoost 模型的主要超参数，包括优化目标函数（objective = binary:logistic）、学习率（learning rate =0.3）、最大树深度（max depth = 4）、最小分叉权重之和（min child weight = 2）和 L2 正则化系数（reg lambda = 1）。

模型评估与特征筛选

在测试集上，XGBoost 模型表现出强大的预测能力。其 AUC 值为 0.92，准确率为 85%，灵敏度为 84%，特异度为 91%，阳性预测值为 83%，阴性预测值为 88%，F1 分数为 0.84。研究还确定了对 XGBoost 模型预测准确性影响最大的 5 个输入变量，分别是受试者的 PSS 总分、工作年限、ISI 总分、年龄和隔离地点。

研究结论表明，在预测新冠疫情全面放开期间工作的护士抑郁风险方面，XGBoost 模型优于其他三种机器学习算法。这一模型能够根据早期临床特征筛选出抑郁高风险护士群体。然而，该研究也存在一定的局限性。样本量相对较小且来自单一地点，可能限制了研究结果的普遍性；XGBoost 模型在其他数据集上的性能可能有所不同，需要更多外部验证；研究仅关注了有限的风险因素，未探讨社会经济地位、个人精神病史或支持系统等潜在因素。

尽管存在这些限制，该研究仍为护士抑郁风险的研究提供了重要的参考。一方面，研究明确了护士抑郁的关键风险因素，如 PSS 和 ISI 评分、隔离地点等，为临床管理者提供了重点关注方向。另一方面，XGBoost 模型的高预测准确性，为早期识别抑郁风险提供了有效工具。未来的研究可以在此基础上，扩大样本量，开展多中心研究，进一步验证模型的性能；探索更多潜在风险因素，完善对护士抑郁风险的评估体系，从而更好地保障护士的心理健康，提高医疗服务质量。