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[ 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、焦虑和压力得分是通过将与每种情绪状态相关的问题得分相加得出的。DASS-21带有基于情绪分数乘以2的阈值，这是抑郁、焦虑和压力的唯一阈值，用于对严重程度进行分类。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DASS-21不同的是，IES-R测量的是事件引起的痛苦[ 13］．它包括22个与创伤后应激障碍(PTSD)症状相关的测试问题，即侵入、回避和过度唤醒。每个症状的得分是通过将相关测试问题的得分平均得到的。对亚洲人群的心理测量分析揭示了克朗巴赫 α总量表的系数为。96,Cronbach α入侵、回避和过度唤醒的分量表分别为0.94、0.87和0.91，各分量表之间具有高度的相互相关性( r= (0.52 - -0.87) 14］．

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 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、侵入、回避和高度警觉以平均值表示。在随后的研究阶段，我们使用平均值来了解和调查不同医护人员的心理结局特征，并与不同国家的护士进行比较。

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( 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得分的分布。由于图表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得分明显更高，因此重复了预处理、转换、探索性数据分析和可视化阶段，以准备另一组不包括印度数据点的统计数据。

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[ 15- 17］．更重要的是，机器学习方法适合本研究的目的，因为在我们开始研究时，COVID-19期间护士与其心理特征之间的潜在关系尚不清楚。COVID-19是一种人类之前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( 图1)．由于数据预处理工作量较小，选择了基于决策树的模型。对于基于决策树的模型，数据值的规范化和缩放是不必要的[ 19］．缺失值和异常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］．还考虑到在固有地考虑变量之间的相互作用影响的情况下，小数据集的模型精度相对较高(对于某些模型类型，例如回归，必须有意识地处理相互作用术语)[ 22］．因此，可以从基于决策树的模型的算法快速构建可接受的模型。

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) [ 23］．所有分析均使用Python 3.7.3, Anaconda Jupyter Notebook和SHAP版本0.37.0进行。

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 图1描述初始阶段的反馈循环。在第一次尝试中，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，我们重新进行了数据预处理，以删除印度的数据，然后我们能够在所有SHAP值图中观察到明显的相似性。

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 表1．在护士中(n=438, 39.0%)，女护士比例显著高于男护士(362[82.6%]比76 [17.4%]);看到 表2．此外，由于印度护士的年龄中位数相对较低(24岁)，护士比其他卫生保健专业人员相对年轻( 图2)．

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( 表3)．

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( 图3- 5)．在印度护士中观察到高唤醒平均值的计数密度较高，分布中有2个密度峰值(平均值在0.0至0.2之间，以及在0.6至1.0之间)(更清楚地显示在 图5)．这是由于印度的年轻护士(20-24岁)有更高的高唤醒评分( 图6)相对于来自其他国家的同龄人(即其他卫生保健工作者或护士)。基于这一观察，很明显，印度护士的心理反应模式与其他4个国家的护士不同。

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( 表3)．

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) 多媒体附件1，对应于 表4而且 5本文的主要论文，分别)。剔除印度护士后，护士总体平均高唤醒得分降至0.2140(归一化)，低于总体样本均值0.2463(归一化);看到 表4．这反过来又使护士的过度兴奋得分最低。同样，护士在抑郁、焦虑、压力、侵入和回避方面的得分低于各自的总体样本均值( 表4)．在非医疗卫生保健工作者中观察到最严重的心理困扰水平，除抑郁症外，所有心理困扰特征的得分最高。在COVID-19早期阶段，医生在抑郁(0.3200)和压力(0.4424)方面受到影响( 表4)．

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 表5．然而，与其他医护人员相比，护士具有更高比例的正常或不变特征:在护士中，回避最低(n=233, 86.0%)，压力最高(n=260, 95.9%)，而在其他非护士工作者中，回避最低(n=187, 74.8%)的是非医疗医护人员，高度唤醒最高(n=199, 91.7%)的医生(见 表5)．因此，护士受COVID-19的心理影响最小。

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%)。

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。

图7a-7c为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使预测值偏离基值的影响[ 24］．基准值是整个训练数据集的模型输出的平均值。SHAP值的符号表示方向力，该方向力使预测值偏离基准值增加(正号)或减少(负号)。

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( 图7A-7c)，分别表示较高和较低的量级水平(称为特征值)，与所有单个数据点贡献的预测值进行比较。一个变量在正方向和负方向上的影响量由中心点的分布来表示。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，变量按其重要性从上到下排序。

取 图7以LightGBM模型为例。大多数DASS-21压力分数的红点位于左侧，这是负SHAP值的区域，与其他变量相比，最分散。这说明DASS-21应力项是列表中对LightGBM模型影响最大的第一个变量，应力与lighttgbm模型呈负相关(应力越低，对模型预测的影响越大)。在图表中，重音的位置与它的重要性等级相对应。这一关于护士压力的现象在3个模型的SHAP值图中是一致的。如 表6负向压力在所有模型中排名第一，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。

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[ 25］．李等[ 25]报告称，一线护士相对于非一线护士和普通公众的替代性创伤得分较低。此外，我们的发现也与先前在SARS大流行期间进行的研究一致[ 26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，在诊断SARS病例时，医生需要长时间保持高度警惕的状态，从而导致了较高的焦虑率。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比医生更高[ 27］．然而，作者承认，研究中的混杂因素没有得到强有力的解决。护士受心理影响最小的原因可以用她们的工作范围来解释。临床护理专业的本质要求团队合作。综合研究表明，积极团队合作与心理弹性有显著相关性[ 28］．尽管在大流行期间工作量很大，但护士在团队工作时可能具有良好的心理弹性。

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[ 29］．新加坡的病例量最高，这可能导致护士的焦虑水平相对较高。

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[ 30.］．鉴于印度年龄大、经验丰富的护士较少，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。另据报道，印度各地有大量女护士是来自南印度各邦的移民，特别是喀拉拉邦。 31］．移民护士通常独自生活在他们工作的城市。由于缺乏家人的支持，他们在面对新冠肺炎疫情带来的工作挑战时，心理上无法很好地管理自己。

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[ 32］．也就是说，卫生保健工作者在抗击大流行的斗争中，以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2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心理健康问题频率的下降相一致[ 34， 35］．

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[ 36］．因此，最近的一项范围审查报告称，在大流行期间，护士将面临更高的压力、倦怠和抑郁风险，其中临床经验较少的年轻女护士更容易受到不良心理健康结果的影响[ 37］．卡顿及伊罗[ 38]，世卫组织和国际护士理事会(ICN)的护士最近呼吁投资扩大护理专业，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都面临的严峻形势。

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[ 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。这些策略在之前的SARS和埃博拉疫情期间很有帮助[ 42- 45］．同样，数字干预措施，如中长期课程(12-17节课)的电脑化复原力培训，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在心理上应对[ 47］．此外，通过关怀指导和自我反思实践的结构化同伴支持计划对医护人员继续努力应对大流行是实际和有用的[ 48， 49］．

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[ 50］．使用SHAP，基于决策树的机器学习模型需要较少的数据处理工作和不太大的数据集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方案的情况。这些都是传统统计方法无法克服的局限性。例如，统计方面 t检验不会得出正确的结论，如果假设不成立 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-sample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压力项的测试在所有心理困扰特征中最低(即差异最高)。 表4)．这与我们的SHAP结果一致，该结果显示护士的压力水平显著降低( 图7a-7c)。同样的结果不能到达，如果假设 t测试不满足。就像 t测试(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还能以图形形式显示对比度水平。SHAP的显著优势是在全局和局部两个层面上进行了模型解释，从而对总体平均值与模型预测之间的差距构成了一整套解释。这种人性化的解释风格使得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。这些卫生保健工作者的职业角色不同，在大流行压力最大的早期阶段，他们同时扮演着医疗和非医疗角色。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大流行做好准备。在像当前大流行这样的紧急情况下，在没有任何先例的情况下，介绍迅速演变，机器学习可以成为分析数据以确定模式并及时采取适当行动的更快和有效的选择。

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。