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

医療という極限の状況において、看護師は人々が最も脆弱な瞬間に寄り添う、安定した手と穏やかな声となるよう訓練されています。彼らは、日々の業務の一環として、他者の痛み、恐怖、そしてトラウマを吸収していきます。しかし、この絶え間ない感情労働には、「共感疲労」として知られる隠れた代償が伴います。それは単なる燃え尽き症候群や疲労ではありません。ケアを行う者が他者の苦しみの中に長く身を置くことで起こる、身体的に消耗し、精神的に空虚感を感じるという、特有の種類の疲弊なのです。教室から病院の現場へと移行する段階にある看護学生（インターン）にとって、このリスクは特に深刻です。彼らは、技術を習得している最中に、新しく強烈な環境をナビゲートしており、職業に伴う感情的な負担に対して非常に脆弱な状態にあります。誰が最もリスクにさらされているのか、そしてその理由は何かを理解することは、学生自身のウェルビーイングのためだけでなく、彼らがケアする患者の安全のためにも不可欠です。

汕頭大学医学院の研究チームは、ある重大な課題を解決しようと試みました。それは、どの看護学生が共感疲労を発症しそうかを、それが定着してしまう前に予測する方法を見つけることです。従来の手法は、学生がすでに圧倒されていると感じてからアンケートに回答してもらうことに依存しがちですが、それでは効果的な予防を行うには遅すぎます。これを変えるために、研究者たちは中国の広東省にある10の主要病院に所属する355人の看護学生からデータを収集しました。彼らは単に学生が疲れているかどうかを見たのではなく、年齢や教育レベルから、食事、運動習慣、そして友人や家族からどれほどサポートされていると感じているかまで、幅広い要因を調査しました。また、学生が将来の職業に対してどれほど強くアイデンティティを感じているかや、ストレスに直面した際のレジリエンス（回復力）も測定しました。

研究者たちはまず、統計的手法を用いて、症状に基づいて学生を明確なグループに分類しました。その結果、共感疲労は全員が同じように経験する単一の体験ではないことが判明しました。代わりに、学生は3つの明確なカテゴリーに分類されました。低レベルの疲労を感じているグループ、中程度のグループ、そして重度の疲労を経験しているグループです。約42パーセントの学生が低リスクグループに属し、4割近くが中程度の兆候を示し、約19パーセントがすでに深刻な消耗を経験していました。この発見は、この問題が大多数の学生に影響を及ぼしているものの、その強度は人によって異なり、それぞれ異なる種類の支援が必要であることを浮き彫りにしました。

観察から予測へと移行するために、チームはデータのパターンを見つけ出す一種の人工知能である、7つの異なるコンピュータ学習ツールを用いました。彼らは、どのツールが共感疲労を発症するかを最も上手く推測できるかを確認するために、学生に関する情報をこれらのシステムに投入しました。目標は、実社会で有用なほど正確なモデルを見つけることでした。結果をテストし比較した結果、「ロジスティック回帰」と呼ばれる標準的な統計手法が、最も信頼できる予測因子として浮上しました。より複雑なコンピュータモデルは、訓練されたデータの特定の詳細に惑わされてしまい、新しい人々に対してうまく一般化できないことがありました。しかし、よりシンプルなモデルは安定して正確であり、高い信頼度で高リスクの学生を特定することができました。

分析により、このリスクを構成する具体的な要素が明らかになりました。最も強力な要因は、単に学生がいかに懸命に働いているかではなく、彼らの内面的なリソースと環境にありました。「プロフェッショナルとしてのアイデンティティ（看護が意味のある、自ら選んだ道であると感じること）」が強いことは、疲労に対する大きな盾となりました。同様に、強固な社会的サポートのネットワークと、ストレスから立ち直る能力である高い心理的レジリエンスを持つことは、リスクを大幅に低下させました。一方で、高齢であることや教育レベルが高いことは、驚くべきことに共感疲労のリスクと関連していました。研究者たちは、高齢の学生や教育水準の高い学生は、目撃する苦しみに対する理解がより深いため、それが感情的な負担を重くしている可能性があると考えています。さらに、不規則な食習慣や週ごとの運動不足もリスクの上昇に関連しており、精神的な強さを維持するための基本的な身体的健康の重要性を示唆しています。

本研究は、これらの特定の要因を注視することで、学生が限界に達する前に、共感疲労に向かっている看護学生を特定できるツールを構築できると結論付けています。研究者たちは、単純な数学的モデルが、特に目的意識に苦しんでいたりサポート体制が欠けていたりする学生を効果的にフラグ立てできることを実証しました。このアプローチは、学生が疲れ果てて機能できなくなるのを待つのではなく、カウンセリングの提供、業務量の調整、あるいはメンターシップの提供といった早期介入を行うための道を提示しています。看護学生のユニークなプロフィールを理解することで、医療界は将来の労働力である彼らのメンタルヘルスをより良く守り、他者をケアする人々自身もまた、ケアされる存在であることを保証できるのです。