这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR护理杂志上的原创作品。必须包括完整的书目信息,https://nursing.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
随着COVID-19大流行的演变,一线工作的挑战继续对护士产生重大心理影响。然而,缺乏关于护士与亚太地区其他卫生保健工作者相比的数据。
本研究旨在探讨(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之间的心理差异。
对通过调查收集的数据进行探索性数据分析和可视化。采用机器学习建模方法进一步辨别护士与其他卫生保健工作者的关键心理特征。建立了基于决策树的机器学习模型(Light Gradient Boosting machine, GradientBoost和RandomForest),以预测一组心理困扰特征(即抑郁、焦虑、压力、侵入、回避和过度唤醒)是否属于护士。沙普利相加解释(Shapley Additive Explanation, SHAP)值被提取出来,以识别每个模型的突出特征。这些模型的共同突出特征类似于护士与其他卫生保健工作者最显著的心理特征。
护士心理困扰症状正常或未改变的比例相对其他医护人员较高(n=233-260 [86.0%-95.9%] vs n=187-199[74.8%-91.7%])。在无心理症状人群中,护士所占比例高于医生和非医务人员(分别为194(40.2%)、142(29.5%)和146(30.3%)。与新加坡、马来西亚和印度尼西亚的护士相比,越南的护士表现出最高水平的抑郁、压力、侵入、回避和过度唤醒症状。新加坡的护士焦虑程度最高。此外,与其他医护人员相比,护士的压力水平最低,这是由机器学习模型得出的最显著的心理结果特征。由于在印度护士中观察到不同的心理反应模式,印度的数据被排除在分析之外。大量从南印度移民过来的女护士,在其他邦独自生活时,如果没有家人的支持,心理上无法很好地应对。
与医生和其他卫生保健工作者相比,护士受到的心理影响最小。不同的背景、文化和大流行曲线上的点可能导致不同亚太国家护士的心理结果模式不同。重要的是,所有卫生保健工作者都实行自我保健,并提供同伴支持,以增强有效应对的心理弹性。此外,本研究还展示了基于决策树的机器学习模型和SHAP值图在识别医疗保健行业复杂问题的促成因素方面的潜在用途。
2019年底,远早于2019冠状病毒病之前,世界卫生组织(世卫组织)宣布2020年为“护士和助产士年”[
在全球防护装备供应和新型冠状病毒检测出现令人震惊的失败之际,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,全球人员短缺加上前所未有的过度工作,凸显了各种脆弱性。
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,而且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、工作过载和延长班次。他们还可能会经历对感染的恐惧,以及与支持生病和垂死的病人及其家人有关的情感负担。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年的护理工作肯定会被铭记。在大约2年的时间里,经历了几轮COVID-19浪潮,与大流行的战斗似乎永无止境。世界各地的卫生保健专业人员一直在不知疲倦地工作,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-都是持久和不屈不挠的,而大流行还没有真正结束的迹象。
几项综述报告了在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。
鉴于COVID-19对护士心理影响的证据不足,并为尊重护士和助产士,本研究旨在调查以下内容:(1)不同亚太国家护士的心理结局特征;(2)护士、医生和非医疗卫生保健人员的心理结局差异。本研究利用了我们之前研究的数据[
2020年4月29日至6月4日,印度、印度尼西亚、马来西亚、新加坡和越南主要高等教育机构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,专职卫生工作者、技术人员、管理人员)。在调查期间,参与调查的机构参与了COVID-19管理工作。该研究得到了国家医疗集团领域特定审查委员会(2020/00144)以及Zydus医院研究伦理委员会(2020/220520)的批准,并受《赫尔辛基宣言》的伦理原则约束。
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(DASS-21)和事件影响量表修订(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[
抑郁、焦虑和压力是DASS-21测量的三种情绪状态[
与DASS-21不同的是,IES-R测量的是事件引起的痛苦[
我们比较了护士、医生和非医疗卫生保健工作者的DASS-21和IES-R得分。同样,在不同国家的护士子样本中,这些分数的差异也进行了比较。最后,护士和其他卫生保健专业人员之间最显著的区别被确定。
图中
转换期间(
除了在探索性数据分析阶段从数字中破译有用信息外,还采用了可视化方法,如分析过程的可视化阶段所示(
分析过程的流程。AUROC:受试者工作特征曲线下面积;DASS-21:抑郁焦虑压力量表;IES-R:事件影响量表-修订;LightGBM:轻型梯度提升机;SHAP: Shapley加法解释。
下一步是确定区分护士与其他卫生保健工作者的关键心理特征。通过建模,可以看出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来建立模型(如概率和统计模型、微分方程、逻辑模型、博弈论模型)。传统方法受到数学模型基础理论和假设的限制,同时需要数学家的专业知识来设计数学模型系统,并将计算得到的模型参数值注入其中。如果误解了基本机制或做出了不正确的假设,则导出的参数值将不能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生成比数学模型更准确的模型。此外,验证数学模型需要更长的时间,因为目标往往是确定一个世界性的理论。机器学习专注于寻找输入和输出之间的关联,这可能并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样繁琐,并且在模型训练后立即进行,以及时确保模型的性能[
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加法解释(SHAP)值。这些步骤对应于分析过程的模型构建和模型评估与解释阶段(
SHAP值是每个变量对任何机器学习模型贡献多少的数学推导数字。所建立的模型是Light Gradient Boosting Machine (LightGBM)、GradientBoost和RandomForest,它们被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、回避和高度警觉。通过过采样平衡数据集,以1和0为目标,实现数据的均匀分布,然后将平衡的数据集按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。我们的期望不是花很多时间来调优模型以获得尽可能高的性能,而是让模型能够很好地提取有用的信息。为了确保模型足够可靠,每个模型的接受者工作特征曲线(AUROC)下的目标面积在应用于验证数据集时(仅测试AUROC不需要大数据集)设置为70%以上。即使使用默认算法设置,模型也能够在几次迭代中收敛到训练数据集。在每个模型训练完成后,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) [
如果模型的精度不能接受或无法从SHAP值图中得出结论,总是需要对数据预处理和转换中所采取的步骤进行审查。中的决策符号连接到模型评估和解释阶段
研究人员从印度、印度尼西亚、马来西亚、新加坡和越南招募了1122名参与者,包括医生、护士和非医疗卫生保健工作者。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岁(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
研究参与者的基线特征(N=1122)。
特征 | 价值 | |
年龄(年),中位数(IQR) | 30日(27-34) | |
|
||
|
护士 | 438 (39.0) |
|
医生 | 295 (26.3) |
|
非医疗 | 389 (34.7) |
|
||
|
印度 | 384 (34.2) |
|
马来西亚 | 175 (15.6) |
|
新加坡 | 254 (22.6) |
|
印尼 | 249 (22.2) |
|
越南 | 60 (5.4) |
|
||
|
女 | 732 (65.2) |
|
男性 | 390 (34.8) |
|
||
|
印度 | 434 (38.7) |
|
马来语 | 211 (18.8) |
|
中国人 | 154 (13.7) |
|
其他人 | 323 (28.8) |
|
||
|
结婚了 | 606 (54.0) |
|
单 | 493 (44.0) |
|
离婚的:离婚、分居或丧偶的 | 23日(2.0) |
护士的基线特征(N=438)。
特征 | 价值 | |
年龄(年),中位数(IQR) | 29 (25.0 - -33.5) | |
|
||
|
印度 | 167 (38.1) |
|
马来西亚 | 94 (21.5) |
|
新加坡 | 93 (21.2) |
|
印尼 | 64 (14.6) |
|
越南 | 20 (4.6) |
|
||
|
女 | 362 (82.6) |
|
男性 | 76 (17.4) |
|
||
|
印度 | 179 (40.9) |
|
马来语 | 84 (19.2) |
|
中国人 | 43 (9.8) |
|
其他人 | 132 (30.1) |
|
||
|
结婚了 | 218 (49.8) |
|
单 | 211 (48.2) |
|
离婚的:离婚、分居或丧偶的 | 9 (2.0) |
年龄分布(总样本vs护士子样本)。
仅考虑护士的心理困扰特征,越南护士除高唤醒和焦虑外,其他心理困扰得分最高。印度和新加坡的护士分别表现出最高水平的高度警觉和焦虑(
护士高唤醒得分的平均分布表明,他们整体较高的高唤醒得分主要是由于印度护士的得分(
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。新加坡护士的焦虑得分最高(
平均分数一个按国家(包括印度在内的所有5个国家)分列的护士心理困扰特征。
国家 | 抑郁症 | 焦虑 | 压力 | 入侵b | 避免b | 高度警觉状态b |
印度 | 0.1566 | 0.1575 | 0.2439 | 0.2470 |
|
|
印尼 | 0.1273 | 0.1720 | 0.2278 |
|
0.2798 | 0.1543 |
马来西亚 | 0.1596 | 0.1657 | 0.2234 | 0.2294 | 0.2424 | 0.1915 |
新加坡 |
|
|
|
|
0.2772 | 0.2460 |
越南 |
|
|
|
|
|
|
总体的意思是 | 0.1736 | 0.1788 | 0.2515 | 0.2783 | 0.2834 | 0.2997 |
一个平均分:平均分或标准化平均分的平均值
bIES-R (Impact of Events Scale-Revised)子量表(即入侵、回避和过度唤醒)采用3除4的归一化值。这是为了使IES-R评分(0-4)与DASS-21(抑郁焦虑压力量表)(0-3)处于相同的等级。
c斜体数字为不同国家护士的平均分高于各自的总体平均分(表的最后一行)。
各国护士的高唤醒程度(重叠分布图)。IES-R:事件影响量表-修订。
不同国家护士的高唤醒程度(y轴限制相同)。IES-R:事件影响量表-修订。
不同国家护士的高唤醒程度(不同y轴限制的图)。IES-R:事件影响量表-修订。
亢奋程度与年龄之间的关系,按职业和每个国家的护士划分(圈内的点代表印度的年轻护士)。IES-R:事件影响量表-修订。
如前一节所述,印度的护士表现出了截然不同的心理反应模式,在随后的机器学习模型分析和构建中,印度的数据被排除在外(包括印度数据点的分析见表S1和表S2)
在心理结局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
482名参与者在所有6种心理困扰特征上都是正常的或完全没有症状。其中,护士194人(40.2%),非医疗卫生工作者146人(30.3%),医生142人(29.5%)。
平均分数一个心理困扰的特点由职业和
职业 | 抑郁症 | 焦虑 | 压力 | 入侵b | 避免b | 高度警觉状态b | |
|
|||||||
|
整体 | 0.2546 | 0.2577 | 0.3775 | 0.3360 | 0.3363 | 0.2463 |
|
护士 | 0.1840 | 0.1920 | 0.2562 | 0.2975 | 0.2813 | 0.2140 |
|
医生 |
|
|
|
0.3085 | 0.3020 | 0.2310 |
|
非医疗 |
|
|
|
|
|
|
|
|||||||
|
护士vs医生 | <措施(diffd) | .005 (diff) | <措施(diff) | .75(没有区别d) | .57(无差异) | .55(无差异) |
|
护士vs非医疗 | .009 (diff) | <措施(diff) | <措施(diff) | 04 (diff) | <措施(diff) | .008 (diff) |
一个平均分:平均分或标准化平均分的平均值
bIES-R (Impact of Events Scale-Revised)子量表(即入侵、回避和过度唤醒)采用3除4的归一化值。这是为了使IES-R评分(0-4)与DASS-21(抑郁焦虑压力量表)(0-3)处于相同的等级。
c斜体的数字是按职业划分的平均分高于各自的总体平均分(表中第一行)。
d如果
心理困扰严重程度(4个国家,不包括印度)。一个
严重程度分类 | 抑郁,n (%) | 焦虑,n (%) | 应力,n (%) | 入侵,n (%) | 回避,n (%) | 高度警觉,n (%) | |
|
|||||||
|
正常/一点也不 | 638 (86.4) | 614 (83.2) | 673 (91.2) | 627 (85.0) | 609 (82.5) | 666 (90.2) |
|
轻微的/一点点的,高于 | 100 (13.5) | 124 (16.8) | 65 (8.8) | 111 (15.0) | 129 (17.5) | 72 (9.8) |
|
|||||||
|
正常/一点也不 | 245 (90.4) | 242 (89.3) | 260 (95.9) | 234 (86.4) | 233 (86.0) | 249 (91.9) |
|
轻微的/一点点的,高于 | 26日(9.6) | 29 (10.7) | 11 (4.1) | 37 (13.6) | 38 (14.0) | 22日(8.1) |
|
|||||||
|
正常/一点也不 | 178 (82.0) | 173 (79.7) | 193 (88.9) | 191 (88.0) | 189 (87.1) | 199 (91.7) |
|
轻微的/一点点的,高于 | 39 (18.0) | 44 (20.3) | 24 (11.1) | 26日(12.0) | 28日(12.9) | 18 (8.3) |
|
|||||||
|
正常/一点也不 | 215 (86.0) | 199 (79.6) | 220 (88.0) | 202 (80.8) | 187 (74.8) | 218 (87.2) |
|
轻微的/一点点的,高于 | 35 (14.0) | 51 (20.4) | 30 (12.0) | 48 (19.2) | 63 (25.2) | 32 (12.8) |
一个DASS-21(抑郁焦虑压力量表)的严重程度类别基于2倍的子量表得分之和:抑郁轻度及以上,≥10;焦虑轻度及以上,≥8;应力轻度及以上,≥15。IES-R(事件影响量表-修订)严重程度分类基于子量表得分的平均值:入侵、回避和过度唤醒,略高于1,≥1。
由于印度护士的心理反应模式不同,因此排除了印度的所有数据,构建了3个基于决策树的机器学习模型(LightGBM、GradientBoost和RandomForest),用于根据心理评分预测医护人员是否是护士。提取模型的SHAP值,以识别护士的心理困扰特征。
可以绘制SHAP值,以提供基于模型特征理解一般模型行为的模型的全局解释。红色和蓝色圆点,如SHAP值图所示(
取
SHAP值图:(a) LightGBM模型,(b) GradientBoost模型,(c) RandomForest模型。LightGBM:轻型梯度提升机;SHAP: Shapley加法解释。
SHAP的全球解释一个土地价值。
排名b不同的影响 | LightGBMc模型 | GradientBoost模型 | RandomForest模型 |
1 | 压力(-)d | 压力(-) | 压力(-) |
2 | 入侵(+)d | 抑郁症(-) | 避免(-) |
3. | 焦虑(+) | 焦虑(+) | 抑郁症(-) |
4 | 避免(-) | 入侵(+) | 入侵(+) |
5 | 过度反应(+) | 避免(-) | 焦虑(+) |
6 | 抑郁症(-) | 过度反应(+) | 过度反应(+) |
一个SHAP: Shapley加法解释。
b排名1最有影响力。在表格中对每个模型的变量进行排序并填写。红点分布最广的变量为1。
cLightGBM:轻型梯度提升机。
d“-”和“+”表示数值预测中的力方向,分别对应SHAP值图中红点最多的右侧或左侧区域。变量的“-”和“+”符号对于所有模型都是相同的。
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,护士受到的心理影响比其他卫生保健工作者最小。与其他医护人员相比,他们的正常或无变化的心理困扰症状所占比例相对较高,这就证明了这一点。此外,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(即接触较多,与患者相处时间较长),但护士的压力水平最低,这是与其他卫生保健工作者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、侵入、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,一线护士受到的心理影响最小,这与之前的一项研究一致[
尽管我们认为,不同亚太国家护士心理结果的不同模式可能与这些国家的大流行程度有关,尽管在研究期间病例量最低,但相对于新加坡、马来西亚和印度尼西亚的护士,越南护士表现出最高水平的抑郁、压力、入侵、回避和高度警觉。这与之前在越南的一项研究相一致,该研究报告称,护士的心理困扰程度高于医生,这归因于护士的工作性质和要求[
尽管印度的护士表现出最高水平的高度警觉,但由于印度护士之间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。印度护士的高唤醒水平最高可能是由于年轻护士的比例较大(三分之二<35岁)。年龄较小被认为是PTSD症状的一个危险因素[
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,但大约五分之三的护士报告了一些心理困扰。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,因此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弹性至关重要。
在COVID-19早期阶段,医护人员坚持自己的价值观,应对了大流行。这与Park和Folkman假设的意义创造应对风格是一致的[
国际护士理事会发现,在大流行发生近2年后,20%的国家护士协会报告称,2020年护士离职率上升,可能是由于大流行[
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的事实[
我们研究的新奇之处是双重的。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组心理评分来预测医护人员是否是护士。尽管万能模型(如决策树、神经网络)的准确性是可取的,但许多人犹豫是否采用它们,因为自变量的模型解释具有挑战性。在我们的研究中,基于SHAP可以解释模型并挑出最显著的特征,采用了基于决策树的模型。使用SHAP来解开独特的特征,显示了SHAP算法的强大[
我们研究的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,我们采用了参与者自我报告问卷的横断面调查;因此,由于缺乏专家验证,难以准确评估心理健康问题。第三,我们没有后续研究设计,这可以评估长期的心理健康结果和应对措施。未来的研究应包括更好的研究设计,使用临床验证来进一步评估有显著心理困扰的病例,并对其进行随访,以调查长期的心理结果。
总之,在COVID-19的早期阶段,护士受到的心理影响最小,因为与其他医护人员相比,护士有更好的团队合作。不同的背景、文化和大流行曲线上的点也可能导致不同亚太国家护士的心理结果模式不同。在当前大流行看不到真正结束的情况下,世界各地的护士与多学科的同事一起坚持不懈地与这场战争作斗争。护士需要有针对性的心理支持,这取决于地区、背景、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展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,所有卫生保健工作者都必须坚持自己的价值观,实行自我照顾,并提供同伴支持,以增强有效应对的心理弹性。
补充资料:表S1、表S2。
接收机工作特性曲线下面积
抑郁焦虑压力量表
事件影响量表-修订
轻型梯度增压机
创伤后应激障碍
沙普利加法解释
世界卫生组织
YHD目前获得了新加坡卫生部国家医学研究理事会(NMRC/TA/0060/2017)颁发的过渡奖。VKS目前获得了新加坡卫生部国家医学研究理事会颁发的高级临床科学家奖。
YHD对研究进行了概念化,参与分析,并起草了手稿。MCY负责分析,并参与了稿件的撰写和审稿。XCT参与了稿件的撰写和审稿。RD、THN、AKS、KRN、MPV、MLST、AA、BYQT、RCH参与了数据的收集和稿件的撰写与审稿。MCHC参与了该手稿的概念化、分析、写作和审查。VKS参与了概念化,数据收集,分析,以及手稿的写作和批判性审查。
没有宣布。