Selection and validation of a machine learning-based predictive model for compassion fatigue in nursing interns

Dans le monde à enjeux élevés de la santé, les infirmiers sont formés pour être les mains stables et les voix calmes des personnes dans leurs moments les plus vulnérables. Ils absorbent la douleur, la peur et le traumatisme des autres comme faisant partie de leur travail quotidien. Cependant, ce labeur émotionnel constant entraîne un coût caché connu sous le nom de fatigue de compassion. Il ne s'agit pas simplement d'épuisement ou de fatigue ; c'est un type spécifique d'épuisement qui survient lorsque les soignants sont exposés à la souffrance d'autrui pendant trop longtemps, les laissant physiquement épuisés et psychologiquement vidés. Pour les stagiaires en soins infirmiers — des étudiants faisant la transition de la salle de classe vers le service hospitalier — ce risque est particulièrement aigu. Ils naviguent dans un nouvel environnement intense tout en apprenant encore les bases, ce qui les rend particulièrement sensibles au coût émotionnel de la profession. Comprendre qui est le plus à risque et pourquoi est essentiel, non seulement pour le bien-être des étudiants, mais aussi pour la sécurité des patients dont ils prennent soin.

Une équipe de chercheurs de l'Université Médicale de Shantou s'est donné pour mission de résoudre un problème critique : comment prédire quels stagiaires en soins infirmiers sont susceptibles de développer cette condition avant qu'elle ne s'installe. Les méthodes traditionnelles reposent souvent sur le fait de demander aux étudiants de remplir des questionnaires après qu'ils se sentent déjà dépassés, ce qui est trop tard pour une prévention efficace. Pour changer cela, les chercheurs ont recueilli des données auprès de 355 stagiaires en soins infirmiers répartis dans dix grands hôpitaux de la province du Guangdong, en Chine. Ils n'ont pas seulement examiné si un étudiant était fatigué ; ils ont examiné un large éventail de facteurs, allant de leur âge et de leur niveau d'éducation à leurs habitudes alimentaires, d'exercice physique et à la mesure dans laquelle ils se sentaient soutenus par leurs amis et leur famille. Ils ont également mesuré la force avec laquelle les étudiants s'identifiaient à leur future profession et leur résilience face au stress.

Les chercheurs ont d'abord utilisé une méthode statistique pour classer les stagiaires en groupes distincts basés sur leurs symptômes. Ils ont découvert que la fatigue de compassion n'était pas une expérience unique partagée par tous de la même manière. Au lieu de cela, les stagiaires se divisaient en trois catégories claires : un groupe avec de faibles niveaux de fatigue, un groupe avec des niveaux modérés et un groupe présentant des niveaux sévères. Environ 42 % des étudiants appartenaient au groupe à faible risque, près de 40 % présentaient des signes modérés et environ 19 % éprouvaient déjà un épuisement sévère. Cette découverte a mis en évidence que le problème affecte une majorité de stagiaires, mais avec des intensités différentes, nécessitant des types d'aide différents.

Pour passer de l'observation à la prédiction, l'équipe a employé sept outils différents d'apprentissage automatique, un type d'intelligence artificielle qui trouve des modèles dans les données. Ils ont injecté les informations concernant les stagiaires dans ces systèmes pour voir quel outil pouvait le mieux deviner qui développerait une fatigue de compassion. L'objectif était de trouver un modèle suffisamment précis pour être utile dans le monde réel. Après avoir testé et comparé les résultats, une méthode statistique standard appelée régression logistique est apparue comme le prédicteur le plus fiable. Bien que des modèles informatiques plus complexes aient tenté de trouver des motifs complexes, ils se sont parfois emmêlés dans les détails spécifiques des données sur lesquelles ils ont été entraînés et n'ont pas réussi à se généraliser bien à de nouvelles personnes. Le modèle plus simple, cependant, est resté stable et précis, identifiant correctement les étudiants à haut risque avec un degré de confiance élevé.

L'analyse a révélé les ingrédients spécifiques qui constituaient ce risque. Les facteurs les plus puissants n'étaient pas seulement liés à l'intensité de leur travail, mais plutôt à leurs ressources internes et à leur environnement. Un sentiment fort d'identité professionnelle — le sentiment que les soins infirmiers sont une voie significative et choisie — constituait un bouclier majeur contre la fatigue. De même, disposer d'un réseau solide de soutien social et d'une grande résilience psychologique, ou la capacité de rebondir face au stress, réduisait considérablement le risque. En revanche, l'étude a révélé que l'âge plus avancé et des niveaux d'éducation plus élevés étaient étonnamment liés à un risque plus élevé de fatigue. Les chercheurs suggèrent que cela pourrait être dû au fait que les étudiants plus âgés ou plus instruits ont une compréhension plus profonde de la souffrance dont ils sont témoins, ce qui peut alourdir le fardeau émotionnel. De plus, des habitudes alimentaires irrégulières et un manque d'exercice hebdomadaire étaient également liés à des risques plus élevés, soulignant l'importance de la santé physique de base pour maintenir la force mentale.

L'étude conclut qu'en examinant ces facteurs spécifiques, il est possible de construire un outil qui identifie les stagiaires en soins infirmiers qui se dirigent vers la fatigue de compassion avant qu'ils n'atteignent un point de rupture. Les chercheurs ont démontré qu'un modèle mathématique simple pouvait identifier efficacement les étudiants qui ont besoin d'aide, en particulier ceux qui pourraient lutter avec leur sentiment de vocation ou manquer de systèmes de soutien. Cette approche offre un moyen aux hôpitaux et aux écoles d'intervenir tôt, par exemple en proposant des conseils, en ajustant la charge de travail ou en fournissant un mentorat, plutôt que d'attendre qu'un étudiant soit trop épuisé pour fonctionner. En comprenant le profil unique du stagiaire en soins infirmiers, la communauté médicale peut mieux protéger la santé mentale de sa future main-d'œuvre, garantissant que ceux qui soignent les autres soient également pris en charge eux-mêmes.