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

在医疗保健这一高风险领域，护士接受的训练是成为人们在最脆弱时刻的定心丸和冷静的声音。作为日常工作的一部分，她们吸收着他人的痛苦、恐惧和创伤。然而，这种持续的情感劳动带来了一种被称为“同情疲劳”（compassion fatigue）的隐形代价。这不仅仅是职业倦怠或疲劳；它是一种特定的精疲力竭，发生在护理人员长期暴露于他人的苦难之中，导致他们在生理上精疲力竭，在心理上感到空虚。对于护理实习生——即正在从教室向医院临床一线过渡的学生——而言，这种风险尤为严重。他们正在应对一个全新的、高强度的环境，同时仍在学习职业技能，这使他们对职业带来的情感冲击具有独特的易感性。了解谁处于风险之中以及为何处于风险之中，不仅对学生自身的福祉至关重要，对于他们所护理的患者的安全也同样至关重要。

汕头大学医学院的一个研究团队致力于解决一个关键问题：如何预测哪些护理实习生可能会在这种情况全面爆发前就产生此类症状。传统方法通常依赖于在学生已经感到不堪重负后让他们填写调查问卷，而这对于有效的预防来说已经太晚了。为了改变这一点，研究人员收集了中国广东省十家主要医院中355名护理实习生的数据。他们不仅观察学生是否疲劳，还考察了广泛的因素，从年龄、受教育程度到饮食习惯、运动习惯，以及他们感受到的来自亲友的支持程度。他们还测量了学生对未来职业的认同感以及面对压力时的心理韧性。

研究人员首先使用一种统计方法，根据症状将实习生分为不同的组别。他们发现，同情疲劳并非每个人都以相同方式体验到的单一经历。相反，实习生被分成了三个清晰的类别：一组处于低疲劳水平，一组处于中等水平，另一组则处于严重疲劳水平。约42%的学生属于低风险组，近40%的学生表现出中度迹象，而大约19%的学生已经经历了严重的精疲力竭。这一发现强调了该问题影响着大多数实习生，但强度各异，需要不同类型的帮助。

为了从观察转向预测，团队采用了七种不同的计算机学习工具，即一种能够发现数据模式的人工智能。他们将关于实习生的信息输入这些系统，以观察哪种工具能最好地猜测谁会产生同情疲劳。目标是找到一个足够准确、能在现实世界中发挥作用的模型。在测试和比较结果后，一种被称为逻辑回归的标准统计方法脱颖而出，成为了最可靠的预测工具。虽然更复杂的计算机模型试图寻找复杂的模式，但它们有时会被训练数据中的特定细节所困扰，导致无法很好地推广到新人群。然而，这个较简单的模型却保持了稳定与准确，能够以高度的信心正确识别高风险学生。

分析揭示了构成这种风险的具体要素。最强大的因素不仅在于学生工作有多努力，更在于他们的内在资源和环境。强烈的职业认同感——即感受到护理是一条有意义且自主选择的道路——是抵御疲劳的一道重要屏障。同样，拥有稳固的社会支持网络和高度的心理韧性（即从压力中恢复的能力），显著降低了风险。另一方面，研究发现年龄较大和受教育程度较高与更高的疲劳风险之间存在着令人惊讶的联系。研究人员认为，这可能是因为年龄较大的学生或受教育程度较高的学生对所目睹的苦难有着更深刻的理解，这使得情感负担变得更加沉重。此外，不规律的饮食习惯和缺乏每周运动也与高风险相关联，这指向了基础身体健康在维持心理力量方面的重要性。

研究结论指出，通过观察这些特定因素，建立一个能够识别哪些护理实习生正走向同情疲劳、并在其达到崩溃点之前发出预警的工具是可行的。研究人员证明，一个直观的数学模型可以有效地标记出那些需要帮助的学生，特别是那些可能正在挣扎于职业使命感或缺乏支持系统的学生。这种方法为医院和学校提供了一种早期干预的方式，例如提供心理辅导、调整工作量或提供导师指导，而不是等到一名学生因过度疲劳而无法正常工作时才采取行动。通过了解护理实习生的独特画像，医疗界可以更好地保护其未来劳动力的心理健康，确保那些照顾他人的人本身也得到照顾。