调查新冠肺炎早期亚太地区护士和其他医护人员的心理差异:机器学习方法

简介

2019年底，早在2019冠状病毒病爆发之前，世界卫生组织(世卫组织)就宣布2020年为“护士和助产士年”[1］．这是为了在纪念弗洛伦斯·南丁格尔诞辰200周年的同时，认识到护士和助产士在卫生保健方面的重要作用及其固有的专业挑战。当2020年大流行袭击世界时，这种认识就像一个实现的预言。当护理专业人员与其他医护人员一起冒着生命危险抗击COVID-19时，公众充分意识到他们的性质、奉献精神和挑战。

在全球防护装备供应和新型冠状病毒检测严重不足的情况下，护士一直奋战在抗击COVID-19的第一线。世卫组织在世界卫生日承认，全球工作人员短缺加上前所未有的过度工作，突出了各种脆弱性。

护士在医疗保健中发挥着核心作用，因为他们与病人的距离很近，与病人相处的时间也很长。因此，他们可能会不成比例地经历持续的挑战，如临床管理的变化、个人防护设备的短缺、工作过载和轮班时间延长。他们还可能经历对感染的恐惧，以及与支持病危患者及其家人有关的情感损失。随着大流行的发展，这些挑战可能会对护士产生重大的心理影响。

2020年的护理必将被铭记。经过大约2年的时间和几波COVID-19浪潮，抗击大流行的战斗似乎没有止境。世界各地的卫生保健专业人员一直在不知疲倦地为受大流行影响的卫生保健系统提供支持。特别是，任何卫生保健系统的支柱——护士——都是持久和坚韧不拔的，尽管大流行还看不到真正结束的迹象。

一些综述报告了在COVID-19大流行期间工作的卫生保健专业人员的心理健康结果。这些因素包括压力、焦虑、抑郁、倦怠和睡眠障碍[2-5］．特别是在亚太地区，医务和非医务卫生保健工作者都经历过某种程度的心理困扰[6］．然而，目前还不清楚这项研究中的护士与其他医护人员相比是更好还是更差。若干研究报告称，护士受到的心理影响与其他医护人员受到的心理影响相似[7-9］．然而，这些研究是在中国进行的，中国是COVID-19最初爆发的中心。目前还不清楚其他亚太国家是否也有类似的发现。

鉴于新冠肺炎疫情对护士心理影响的证据不足，为尊重护士和助产士，本研究旨在研究以下方面:(1)不同亚太国家护士的心理结局特征;(2)护士、医生和非医疗卫生工作者的心理结局差异。本研究利用了我们之前研究的数据[10］．这些发现可以推断出有针对性的干预措施对解决卫生保健工作者的心理健康问题是必要的。

方法

研究人群和研究设计

从2020年4月29日至6月4日，印度、印度尼西亚、马来西亚、新加坡和越南的主要高等院校的卫生保健工作者受邀参加了一项调查。参与者包括医生、护士和非医疗卫生保健工作者(例如，联合卫生工作者、技术人员、管理人员)。参与机构在调查期间参与了COVID-19管理工作。该研究得到了国家保健集团领域特定审查委员会(2020/00144)和Zydus医院研究伦理委员会(2020/220520)的批准，并遵循《赫尔辛基宣言》的伦理原则。

筛选问卷

调查问卷包括人口统计信息、病史、研究前一个月参与者的躯体症状、抑郁焦虑压力量表(das -21)和事件影响量表修订版(IES-R)。采用这些问卷是为了评估COVID-19疫情对医护人员的心理影响[10］．

抑郁、焦虑和压力是DASS-21测量的三种情绪状态[11］．DASS-21适用于任何人，无论其健康状况如何。抑郁、焦虑和压力的分数是通过将与每个情绪状态相关的问题的分数相加得到的。DASS-21的阈值基于情绪分数乘以2，这是抑郁、焦虑和压力的独特之处，用于分类严重程度。在中国医院工作人员的心理测量分析中，DASS-21的内部一致性为0.95 [12］．

与das -21不同，IES-R测量的是事件诱发的痛苦[13］．它包括22个与创伤后应激障碍(PTSD)症状相关的测试问题，即入侵、回避和过度兴奋。各症状的得分由相关题型得分的平均值得出。在亚洲人群中进行的心理测量分析显示，他们喝的是Cronbachα总量表的系数为.96,Cronbachα对于入侵、回避和高度觉醒的分量表，分别为。94、。87和。91，这些分量表之间具有高度的相关性(r= (0.52 - -0.87)14］．

研究结果

我们比较了护士、医生和非医疗卫生保健工作者的das -21和IES-R得分。同样，在不同国家的护士的子样本中，这些分数的差异也进行了比较。最后，确定了护士和其他卫生保健专业人员之间最显著的区别。

统计分析与机器学习过程

的图表图1描述了我们分析过程的流程。

转换期间(图1)、抑郁、焦虑、压力、入侵、回避和过度兴奋用平均值表示。在随后的阶段，用平均值来了解和调查各个医护专业人员的心理结局特征，并与不同国家护士的心理结局特征进行比较。

除了在探索性数据分析阶段从数字中解读有用信息外，还采用了可视化方法，如分析过程的可视化阶段所示(图1)．采用直方图、频率图和散点图分析各国护士高唤醒平均分的分布情况。由于图显示了不同的心理反应模式，与其他国家的护士相比，印度护士的高唤醒平均分明显更高，因此重复预处理、转换、探索性数据分析和可视化阶段，以准备另一组统计数据，排除印度的数据点。

‎ 查看此图

下一步是确定护士区别于其他卫生保健工作者的关键心理特征。通过建模，可以识别构成模型的心理变量的影响。采用机器学习代替传统的数学建模方法(如概率和统计模型、微分方程、逻辑模型、博弈论模型)来建立模型。传统方法受数学模型基础理论和假设的限制，需要数学家的专业知识来设计数学模型体系，并将计算得到的模型参数值注入模型。如果误解了潜在的机制或做出了不正确的假设，推导出的参数值将不会产生足够的拟合优度。这是一个严重依赖人类判断的过程，而机器学习方法不受理论和假设的限制，在模型训练过程中迭代确定的模型参数值通常能够产生比数学模型更精确的模型。此外，验证数学模型需要更长的时间，因为其目标往往是确定一个世俗的理论。机器学习专注于寻找输入和输出之间的关联，这可能不一定会导致关于因果关系的结论。机器学习模型的验证通常不像数学模型那么繁琐，而是在模型训练之后立即进行，以便及时保证模型的性能[15-17］．更重要的是，当我们开始研究时，还不知道新冠肺炎期间护士与心理特征之间的潜在关系，因此机器学习方法适合本研究的目的。COVID-19是一种人类事先不知道的新型大流行。机器学习方法通常用于识别模式，以增强我们对现象的理解或对疾病进行预测[18］．

为了识别护士最显著的心理特征，从3种基于决策树的模型中提取Shapley相加解释(Shapley Additive explain, Shapley SHAP)值。这些步骤与分析过程的模型构建和模型评估与解释阶段相对应(图1)．选择基于决策树的模型，可以减少数据预处理的工作量。基于决策树的模型不需要数据值的归一化和缩放[19］．缺失值和离群值不会显著影响建模过程[19，20.］．即使存在相互高度相关的变量，基于决策树的模型也能够处理多重共线性[21］．还考虑到由于固有地考虑了变量之间的相互作用(对于某些模型类型，如回归，相互作用项必须有意识地处理)，对于较小的数据集，它们的模型精度相对较高[22］．因此，基于决策树模型的算法可以快速构建可接受的模型。

SHAP值是由数学推导出来的每个变量对任何机器学习模型的贡献大小。建立的模型分别是Light Gradient Boosting Machine (LightGBM)、GradientBoost和RandomForest，用于预测一组心理困扰特征是否属于护士。二元目标或因变量为1代表护士，0代表其他卫生保健专业人员。自变量为抑郁、焦虑、压力、入侵、回避和过度兴奋。通过过采样平衡数据集，使目标为1和0的数据分布均匀，然后将平衡的数据集以80:20的比例分成2个用于训练和验证。模型训练参数在建模过程中不是关键。他们的期望是不花很多时间来调优模型，以获得可能的最高性能，而只是让模型在提取有用信息方面相当好。为了确保模型足够可靠，当应用于验证数据集(仅测试AUROC不需要大数据集)时，每个模型的接收者工作特征曲线(AUROC)下的目标面积设置为70%以上。即使使用默认的算法设置，模型也能够在训练数据集的几次迭代中收敛。在对每个模型进行训练后，使用验证数据集对模型进行评估。 The AUROC of the LightGBM, GradientBoost, and RandomForest models was 73.5%, 78.4%, and 74.0%, respectively. Subsequently, the rank of influence of each variable was concluded visually from the SHAP values for the training data set. The interpretations of the SHAP value plots are discussed in the Results section. The common-most influential variable across all the models, akin to the distinctive psychological outcome characteristic of nurses, as compared to other health care professionals, was established. This technique was used to discover the unique qualities of the K-Pop group Bangtan Boys (BTS) [23］．所有的分析都是在Python 3.7.3和Anaconda Jupyter Notebook和SHAP 0.37.0版本中进行的。

如果模型的准确性不能被接受或无法从SHAP值图中得出结论，则总是有必要回顾数据预处理和转换过程中所采取的步骤。决策符号连接到模型评估和解释阶段图1描述反馈循环到初始阶段。在我们的第一次尝试中，我们没有观察到SHAP值图的一致性。由于印度护士的心理反应模式不同，我们重新进行数据预处理以删除印度的数据，然后我们才能观察到所有SHAP值图的明显相似性。

结果

参与者的特征

共有1122名参与者，包括医生、护士和非医疗卫生保健工作者，从印度、印度尼西亚、马来西亚、新加坡和越南招募。护士占研究人群的39.0% (n=438)，其次是非医疗卫生保健工作者(n=389, 34.7%)和医生(n=295, 26.3%)。中位(IQR)年龄为30(27-34)岁，大多数参与者为女性(n=732, 65.2%)，已婚(n=606, 54%)。大多数参与者是印度人(n=436, 38.9%);看到表1．在护士中(n=438, 39.0%)，女护士的比例显著高于男护士(362 (82.6%)vs 76 (17.4%);看到表2．此外，由于印度护士的中位数年龄(24岁)相对较低，护士的年龄相对较年轻(图2)．

‎ 查看此图

不同国家护士的心理特征

仅考虑护士的心理困扰特征，越南护士除高唤醒和焦虑外，其他心理困扰得分均最高。印度和新加坡的护士分别表现出最高水平的过度唤醒和焦虑(表3)．

护士高唤醒得分的平均分布表明，他们整体高唤醒得分的主要原因是印度护士的得分(图3-5)．在印度的护士中观察到高唤醒平均值的较高计数密度和2个密度峰值(平均值在0.0和0.2之间和0.6和1.0之间)的分布(更清楚地显示在图5)．这是因为印度的年轻护士(20-24岁)有更高的过度唤醒得分(图6)与来自其他国家的同龄人(即其他卫生保健工作者或护士)相比。由此可见，印度护士的心理反应模式明显不同于其他4个国家的护士。

排除印度的数据后，越南护士在除焦虑外的所有心理困扰特征上得分最高。新加坡的护士焦虑得分最高(表3)．

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

护士、医生和非医疗卫生工作者之间的区别

如前一节所述，印度护士表现出截然不同的心理反应模式，印度的数据被排除在后续的机器学习模型的分析和构建中(包括印度数据点的分析在表S1和表S2中提供多媒体附件1，对应于表4而且5这篇主要论文，分别)。剔除印度护士后，护士整体高唤醒平均得分降至0.2140(归一化)，低于整体样本均值0.2463(归一化);看到表4．这反过来又使护士的高度觉醒得分最低。同样，护士在抑郁、焦虑、压力、入侵和回避方面的得分低于各自的总体样本平均值(表4)．非医疗卫生工作者的心理困扰最严重，除抑郁外，其他心理困扰特征得分最高。在COVID-19早期阶段，医生受抑郁(0.3200人)和压力(0.4424人)的影响(表4)．

在心理后果的临床严重程度方面，大多数受试者表现出正常或不变的心理困扰特征(n=609 ~ 666, 82.5% ~ 91.2%);看到表5．然而，与其他卫生保健工作者相比，护士具有更高的正常或不变特征的百分比:在护士中，逃避是最低的(n=233, 86.0%)，压力是最高的(n=260, 95.9%)，而在其他非护士工作者中，逃避是最低的(n=187, 74.8%)，医生是最高的(n=199, 91.7%)表5)．因此，护士受COVID-19的心理影响最小。

有482名参与者在所有6种心理困扰特征上正常或完全没有症状。其中护士194人(40.2%)，非医务人员146人(30.3%)，医生142人(29.5%)。

护士独特的心理困扰特征

由于印度护士的心理反应模式不同，我们排除了印度的所有数据，根据心理评分建立了3个基于决策树的机器学习模型(LightGBM、GradientBoost和RandomForest)，用于预测医护人员是否为护士。提取这些模型的SHAP值，以识别护士独特的心理困扰特征。

图7a-7c表示SHAP值图。对于所有数据点，每个自变量都有相应的SHAP值，为理解个别预测提供了局部解释。SHAP值的大小表示每个自变量在偏离预测值与基值时的影响[24］．基值是整个训练数据集的模型输出的平均值。SHAP值的符号表示增加(正号)或减少(负号)预测偏离基值的方向力。

在理解基于模型特征的一般模型行为时，可以绘制SHAP值以提供模型的全局解释。红色和蓝色的点，如SHAP值图(图7A-7c)，分别代表较高和较低量级水平(称为特征值)，与所有单个数据点贡献的预测值相比。一个变量在正方向和负方向上的影响量由从中心开始的点的分布来表示。与其他变量相比，红点分布最广(或似乎有更多的红点)的变量是最有影响力的变量。如图所示，变量按其重要性的顺序从上到下排列。

取图7以LightGBM模型为例。DASS-21压力分数的大部分红点位于左侧，这是负SHAP值的区域，与其他变量相比，这些红点最分散。这说明das -21应力项是列表中对LightGBM模型影响最大的第一个变量，而应力与此呈负相关(应力越低，对模型预测的影响越大)。重音被放在图的正上方，与它的重要性等级相对应。护士压力的这一现象在3种模型的SHAP值图中均一致。如表6在所有模型中，消极方向的压力排在首位，我们可以肯定护士最显著的心理特征是相对于医生和非医疗卫生工作者的压力水平较低。

‎ 查看此图

讨论

主要研究结果

我们研究的主要发现有两个方面。首先，在亚太地区COVID-19的早期阶段，护士比其他卫生保健工作者受到的心理影响最小。与其他医护人员相比，他们的正常或未发生心理困扰症状的比例相对较高，证明了这一点。在无心理困扰症状的医护人员中，护士所占比例高于医生和非医务人员。值得注意的是，尽管护士的工作性质要求最高(即接触更多和与患者相处的时间更长)，但护士的压力水平最低，这是与其他医护人员相比最显著的心理结果特征。其次，与新加坡、马来西亚和印度尼西亚的护士相比，越南护士表现出最高水平的抑郁、压力、入侵、回避和过度唤醒症状。新加坡的护士焦虑程度最高。护士心理结果的不同模式可能与不同的环境、文化和大流行曲线上的点有关。

我们的研究发现，在医护人员中，前线护士受到的心理影响最小，这与先前的研究结果一致[25］．李等[25]报告称，与非一线护士和公众相比，一线护士的替代性创伤得分较低。此外，我们的发现也与先前在沙士大流行期间进行的一项研究一致[26该研究报告称，医生出现精神症状的可能性是护士的1.6倍。作者认为，医生焦虑的比率较高，是因为在诊断SARS病例时需要保持长时间的高度警惕状态。相比之下，在COVID-19早期进行的一项快速审查表明，护士发生不良心理健康结果的风险可能高于医生[27］．然而，作者承认，研究中的混杂因素并没有得到有力的解决。护士心理上受影响最小的原因可以用她们的工作范围来解释。临床护理专业的性质需要团队合作。一项综合研究表明，积极的团队合作与心理弹性显著相关[28］．有可能，尽管大流行期间工作量很大，但护士在团队中工作时具有良好的心理弹性。

尽管我们认为，亚太地区不同国家护士心理结果的不同模式可能与这些国家大流行的程度有关，尽管在研究期间，越南护士的病例量最低，但与新加坡、马来西亚和印度尼西亚的护士相比，越南护士表现出最高水平的抑郁、压力、侵入、回避和过度兴奋。这与之前在越南的一项研究一致，该研究报告护士的心理困扰程度高于医生，并将这一发现归因于护士的工作性质和需求[29］．新加坡的病例量最高，这可能是导致护士焦虑程度相对较高的原因。

尽管印度护士表现出最高水平的高唤醒，但由于印度护士表现出不同的心理反应模式，我们的结论中没有考虑到印度的数据。印度护士中高度觉醒程度最高的原因可能是年轻护士的比例较大(三分之二的护士年龄小于35岁)。年龄较轻被认为是创伤后应激障碍症状的风险因素[30.］．鉴于印度的老年和有经验的护士较少，年轻护士由于缺乏监督支持、指导和领导，可能会经历更高水平的过度唤醒。据报道，印度各地的大量女护士是来自印度南部各邦，特别是喀拉拉邦的移民。31］．移民护士通常独自居住在工作城市。在缺乏家人支持的情况下，面对新冠肺炎疫情带来的工作挑战，他们无法在心理上管理好自己。

在大流行曲线的早期阶段，相对于其他卫生保健工作者，尽管护士似乎在心理上应对得更好，但约五分之三的护士报告说有一些心理困扰。值得注意的是，这一比例低于医生(约四分之三)和非医疗卫生保健工作者(三分之二)。这突出了COVID-19的重大心理后果，有效的应对策略对于增强所有卫生保健工作者，特别是医生和非医疗卫生保健工作者的心理韧性至关重要。

在COVID-19早期阶段，医护人员通过坚持自己的价值观应对了大流行。这与Park和Folkman假设的意义制造应对方式是一致的[32］．也就是说，在抗击大流行的斗争中，医护人员用利他主义的信念和目标使他们的工作具有意义。这导致心理适应和个人成长发生在早期，可能在两周内[33］．护士报告了他们在危机下的个人成长(如感恩、更强的职业认同感和自我反思)。这样的成长促进了积极的情绪和心理适应。此外，医护人员报告称，由于获得了更多关于COVID-19的知识，他们的情绪在两周内有所改善[33］．这似乎与中国医护人员出现心理健康问题的频率随着时间的推移而下降的趋势相一致[34，35］．

在大流行发生近2年之际，国际护士理事会发现，20%的国家护士协会报告称，2020年离开这一职业的护士比例增加，可能是由于大流行[36］．因此，最近的一项范围审查报告称，在大流行期间，护士面临的压力、倦怠和抑郁风险将增加，而缺乏临床经验的年轻女护士更容易出现不良心理健康结果[37］．卡顿和伊罗[38]，世卫组织和国际护士理事会(ICN)的护士最近呼吁在增加护理专业方面进行投资，因为有足够的护理人员可减少住院人数和住院时间[39，这是大多数国家目前面临的可怕局面。

鉴于上述令人担忧的趋势，以及医护人员更倾向于自助而非寻求专业帮助[40，41，我们推荐自我照顾的应对策略，如自我反省、强化内在价值观、有氧运动，以及来自宗教组织、同龄人和家庭的支持。这些战略在以前的非典和埃博拉疫情期间是有帮助的[42-45］．同样，数字化干预措施，如中长期课程(12-17节课)的计算机化复原力培训，可能有助于建立卫生保健工作者的复原力[46］．此外，同伴领导的认知行为治疗小组项目也可以帮助医护人员应对心理问题[47］．此外，透过关怀导师及自我反思的实践，建立一个有结构的同伴支援计划，对医护人员继续努力应对大流行是切实有效的[48，49］．

的优势

我们研究的新奇之处有两个方面。首先，我们使用机器学习技术和可视化来发现趋势。这种新颖的机器学习方法通过一系列心理评分来预测医护人员是否是护士。尽管多用途模型(如决策树、神经网络)对于准确性是可取的，但许多人犹豫采用它们，因为自变量的模型解释是具有挑战性的。在我们的研究中，基于SHAP可以解释模型并找出最显著的特征，我们采用了基于决策树的模型。使用SHAP来解开不同的特征显示了SHAP算法的威力[50］．有了SHAP，基于决策树的机器学习模型在需要较少的数据处理工作和不太大的数据集方面的优势可以广泛应用于变量之间关系的基本原理未知和需要快速解决的情况下。这些都是传统统计方法无法克服的局限性。例如，统计t如果假设不成立，检验就不会得出正确的结论t不存在检验(例如，其中一个假设是数据点应该遵循正态分布)。的P2-样本的值t在护士和医生之间以及护士和非医疗卫生保健工作者之间的比较中，DASS-21压力项目的测试在所有心理困扰特征中最低(即差异水平最高)。表4)．这与我们的SHAP结果一致，显示护士的压力水平明显较低(图7a-7c)。的假设不能得到同样的结果t测试不满足。就像t(单尾)，SHAP能够指示每个心理困扰特征的影响方向(积极或消极)。此外，SHAP还能以图形的形式显示对比度的水平。SHAP的显著优点是在全局和局部层面上都能进行模型解释，从而对总体平均值和模型预测之间的差距构成了一整套解释。这种用户友好的解释风格使SHAP技术在卫生保健研究中得到广泛应用。其次，为了更好地了解来自亚太地区更广泛范围的卫生保健工作者的心理结果，我们从几个国家招募了大量样本。这些医护人员有不同的职业角色，在大流行最紧张的早期阶段，他们在医疗和非医疗两方面发挥作用。了解他们的心理结果将有助于医疗保健行业更好地为未来的流行病做准备。在当前大流行这样的紧急情况下，演示报告发展迅速，没有任何先例，机器学习可以成为分析数据以确定模式和及时采取适当行动的更快和更有效的选择。

限制

我们的研究有一些局限性值得承认。首先，在COVID-19之前没有类似的心理健康数据可供比较。这限制了我们深入了解COVID-19对医护人员心理结果的直接影响。其次，我们采用横断面调查，参与者自我报告问卷;因此，由于缺乏专家核查，难以准确评估心理健康问题。第三，我们没有后续研究设计，来评估长期的心理健康结果和应对方法。未来的研究应该包括更好的研究设计，使用临床验证来进一步评估有明显心理困扰的病例，并跟踪调查长期心理后果。

结论

总之，在COVID-19的早期阶段，护士的心理影响最小，因为与其他医护人员相比，他们有更好的团队合作。不同的背景、文化和大流行曲线上的点也可能导致亚太各国护士心理结果的不同模式。尽管目前的大流行看不到真正结束的迹象，但世界各地的护士与他们的多学科同事一起，坚持不懈地与这场战争进行斗争。护士需要有针对性的心理支持，这取决于地区、环境、文化和大流行曲线上的点。同样，应向非医疗卫生保健工作者和医生提供积极的外联和有针对性的干预措施，以支持他们的心理健康。为了赢得这场战斗，所有医护人员都必须坚持自己的价值观，实行自我护理，并提供同伴支持，以增强心理弹性，以有效应对。