A Multimodal Physiological Dataset for Nurse Stress Detection

护士的日常生活是在人类需求与僵化时间表之间不断的博弈。她们在应对高强度工作量、情感需求以及长班次带来的身体负担的同时，还要照顾患者。几十年来，研究人员一直知道这种环境会产生显著的压力，从而损害护士的健康和护理质量。传统上，对这种压力的理解依赖于询问人们的感觉（通常是在事情发生很久之后），或者观察关于职业倦怠的宏观统计数据。然而，压力并不是一种可以用单一工具衡量的单一事物；它是一种复杂的反应，涉及一个人如何看待其日常工作、身体在当下的物理反应，以及其工作安排的具体情况。挑战在于寻找一种方法，能够在不干扰正在研究的工作本身的情况下，实时观察到所有这些组成部分。

瑞士的一个研究小组致力于通过结合三种不同的信息源，为护士压力构建一种新型的图景：即护士的自我感受、身体的生理反应以及其实际的工作安排。他们招募了在一家医院工作的二十四名护士，并要求她们佩戴智能手表三个月。这些手表在她们工作期间持续记录心率和体温。每次轮班结束后，护士们都会填写一份简短的数字化问卷，内容涉及对当天的满意度、压力感以及班次与个人生活的契合程度。研究人员还收集了医院官方的护士排班记录，包括计划班次和实际工作的班次，这使他们能够观察到变化或中断发生的情况。

目标是观察这些不同的数据流是否可以交织在一起，以识别护士何时处于压力之下。研究人员首先必须将每日问卷的回答转化为每个班次的清晰标签，根据综合答案将班次归类为无压力、轻微压力或高度压力。然后，他们将这些标签与来自手表的生理数据以及工作安排的细节进行匹配。结果是一个包含超过一万六千个独立观测值的庞大数据集，每个观测值都将特定的时刻与心率、体温、班次类型和压力标签联系在一起。这一数据集代表了对护士现实工作条件的难得一瞥，它超越了实验室的受控环境，进入了医院楼层繁忙且不可预测的现实中。

当团队测试计算机程序是否能利用这些数据来识别压力时，他们发现仅观察身体状况是不够的。一个试图仅通过心率和体温来预测压力的模型表现很差，经常做出错误的判断。当研究人员加入工作的背景信息时，情况发生了戏剧性的变化。当计算机程序被允许考虑护士正在进行的特定班次、星期几，甚至护士本人的身份时，其准确性大大提高。表现最好的模型——即结合了生理信号、排班细节和护士身份的模型——能正确识别约百分之七十三的时间里的压力水平。这表明，要理解这个职业中的压力，你不能仅仅观察一颗跳动的心脏；你必须理解这颗心脏跳动时所处的背景。

这项研究还揭示了工作的本质。研究人员分析了排班情况，以观察某些模式（例如连续上多个夜班，或原本的休息日突然变成了工作日）是否与更高的压力相关联。他们发现，虽然某些模式（如拥有更多的自由时间）与工作与私人生活之间的冲突较少有关，但这种关系并不简单。例如，计划排班与实际排班之间的不匹配并不总是意味着护士感到压力；有时这种变化是自愿的或受欢迎的。这凸显了排班的原始数字并不能说明全部情况；一次班次的意义取决于个人的情况和选择。

在整个三个月的期间，护士们反映使用智能手表通常很简便且可以接受，平均可用性评分表明，该技术并未显著干扰她们的工作。这是一个至关重要的发现，因为它表明在繁忙的医院中收集这种详细且连续的数据是可行的，而不会让员工感到负担过重。然而，研究人员谨慎地指出，他们的发现是一个起点而非最终解决方案。由于参与研究的护士人数相对较少，且模型在能够“记住”特定个体时表现最佳，这意味着系统学习的是关于这些特定人的信息，而非关于压力的普遍规律。该研究并未证明某种特定的排班会导致压力，但它确实证明了将人们的感受、身体的反应以及他们的排班情况结合起来，比仅靠单一信息源能提供更清晰的图景。

最终，这项工作表明，理解和管理医疗行业职业压力的途径在于整合。通过将劳动者的主观体验、身体的客观信号以及排班的结构性现实结合起来，研究人员可以开始构建能够感知护理工作复杂现实的工具。本研究收集的数据现已向公众开放，为开发更好的支持方式来保障医护人员福祉提供了基础。这项工作证实，虽然压力是一种个人且内在的体验，但它深深植根于出勤、排班以及医院日常节奏的外部世界之中。