南京医科大学第一附属医院护理部发表护理1区SCI! 应用机器学习和SHAP解释识别手术室护士中的高度共情疲劳:一项多中心横断面研究
- 2026-07-14 11:07:25
专注科研一对一全流程教学
咨询微信：wzp1670423539
1.1 同情心疲劳：手术室护士的“隐形职业伤害”
同情心疲劳是指助人者在长期接触患者创伤和痛苦后，因共情投入过度而导致的身心耗竭状态，是护理人员中日益受到关注的职业心理健康问题。手术室护士因长期处于高压力、高强度和高度紧张的工作环境中，面临极高的同情心疲劳风险。手术室护士不仅要应对术中突发状况、长时间站立、精密操作等躯体负荷，还要频繁面对患者的恐惧、痛苦、手术不确定性以及术中死亡等强烈情感冲击，这种“躯体+情感”的双重消耗模式使其成为同情心疲劳的高发群体。同情心疲劳的后果是多维度的——它不仅严重损害护士的个人福祉和心理健康，还削弱护理队伍的稳定性（增加离职意愿），并因注意力下降、决策能力受损而危及患者安全。然而，手术室护士同情心疲劳的流行病学特征和预测因素在现有文献中仍缺乏充分的实证数据支持。
1.2 传统方法与机器学习方法的范式转换
传统研究方法多采用描述性统计和Logistic回归分析同情心疲劳的相关因素，但这种方法依赖研究者对预测变量的先验假设，难以捕捉变量之间的复杂交互和非线性关系。近年来，机器学习方法因其在处理高维数据、自动捕捉非线性交互和优化预测性能方面的优势，在护理研究领域逐渐兴起。通过比较不同算法的性能，研究者可以识别出最优预测模型；通过SHAP等可解释性工具，可以揭示各特征对模型预测的贡献方向和大小，从而在“预测性能”和“临床可解释性”之间取得平衡。
1.3 研究空白与目的
目前存在以下知识缺口：第一，手术室护士同情心疲劳的患病率及其三个维度（继发性创伤应激、职业倦怠、同情心满意度）的特征尚缺乏多中心大样本的描述；第二，尚未有研究应用机器学习方法构建手术室护士同情心疲劳的预测模型并比较不同算法的性能。本研究旨在分析手术室护士同情心疲劳的患病率及症状特征，利用机器学习构建并比较预测模型，并确定不同特征对模型的相对贡献。
2.1 研究设计与研究对象
本研究为多中心横断面研究，招募了中国20个城市的1024名手术室护士。研究采用的问卷包括社会人口学问卷、职业生活质量量表、患者健康问卷-9项（抑郁）、广泛性焦虑障碍量表-7项（焦虑）和匹兹堡睡眠质量指数。
2.2 核心变量与测量工具
结局变量：同情心疲劳——通过职业生活质量量表测量，包含三个维度：继发性创伤应激、职业倦怠和同情心满意度。根据量表得分将参与者分为重度、中度、无/轻度同情心疲劳三组。
预测特征：社会人口学变量（年龄、工作年限等）、抑郁（PHQ-9）、焦虑（GAD-7）、睡眠质量（PSQI）、自我心理健康培训经历等。
2.3 统计与机器学习方法
特征筛选：采用LASSO回归从众多潜在预测变量中筛选关键特征，减少过拟合风险。
模型构建与比较：构建了五种预测模型——决策树、Logistic回归、随机森林、支持向量机和XGBoost，在训练集上训练，在测试集上评估性能，通过AUC比较各模型区分能力。
模型解释：绘制SHAP图，量化各特征对模型预测结果的边际贡献，识别贡献最大的前五个特征。
3.1 同情心疲劳的患病率与症状分布
1024名手术室护士中，326名（31.8%）报告重度同情心疲劳，311名（30.4%）为中度，387名（37.8%）为无或轻度。重度同情心疲劳者占比接近三分之一，提示手术室护士的职业心理健康问题已达到不容忽视的程度。在三维度中，继发性创伤应激的发生率最高（95.4%），几乎覆盖了全部样本；其次是低同情心满意度（61.3%）和职业倦怠（35.0%）。这一分布模式揭示了手术室护士同情心疲劳的核心特征：他们更多承受的是“共情带来的创伤性压力”，而非单纯的工作疲惫或对工作的负面态度。
3.2 五种机器学习模型的性能比较
在五种预测模型中，随机森林模型表现最佳，测试集AUC为0.851（95% CI: 0.795-0.907）；XGBoost模型次之，AUC为0.824（95% CI: 0.769-0.879）。两者均优于Logistic回归、决策树和支持向量机。AUC均超过0.8的“良好”阈值，表明机器学习模型在识别高度同情心疲劳的手术室护士方面具有良好的区分能力。
3.3 SHAP特征重要性分析
随机森林和XGBoost两个模型的SHAP图结果一致：抑郁、焦虑、自我心理健康培训、睡眠质量和工作年限成为对模型预测贡献最大的五个特征。这一发现提示，在预测手术室护士同情心疲劳时，心理状态（抑郁、焦虑）、生活方式（睡眠质量）、职业发展阶段（工作年限）以及是否接受过心理健康培训是最关键的区分因素。
4.1 主要发现及其意义
本研究首次在中国多中心手术室护士群体中系统调查了同情心疲劳的患病率，并应用机器学习方法构建了预测模型。核心发现可概括为“三个比例、一个最优、五个贡献”：
第一，重度同情心疲劳者占近三分之一，继发性创伤应激是核心症状。 95.4%的继发性创伤应激发生率远超职业倦怠（35.0%），提示手术室护士的职业心理压力主要表现为“共情创伤”而非“工作疲惫”。这一差异可能与手术室工作的特殊性有关——护士频繁目睹术中危急情况和患者痛苦，持续的共情暴露导致了创伤性应激的累积。
第二，随机森林模型在识别高危个体方面性能最优。 AUC达到0.851，超过了常规Logistic回归和单一决策树模型，证明了集成学习方法在处理非线性关系和变量交互方面的优势。
第三，SHAP解释揭示了可干预的预测靶点。 抑郁、焦虑、睡眠质量和工作年限是排名前五的特征。心理健康培训是前五中唯一可主动提供的结构性干预，提示系统性的心理健康支持可能降低同情心疲劳风险。
4.2 对护理管理实践的意义
精准筛查：基于机器学习的预测模型可为护理管理者提供高危个体的早期识别工具，在同情心疲劳发展为严重心理障碍之前进行干预。
分层干预：针对SHAP识别的前五大特征——抑郁和焦虑症状者应优先安排心理支持；睡眠质量差者应关注轮班制度和休息安排；工作年限短的新护士应加强入职心理适应支持；未接受心理健康培训者应列为培训优先对象。
数据驱动的管理决策：SHAP的可解释性使管理者能理解“为什么这个护士被模型识别为高风险”，从而制定个性化的干预方案而非“一刀切”。
4.3 研究优势与局限性
优势：多中心设计覆盖20个城市，样本量大（1024例）；五种机器学习模型的系统比较；SHAP增强模型可解释性。
局限性：横断面设计不能确定因果关系；自报问卷可能存在社会期望偏倚；模型需在前瞻性队列中进一步验证外部效度。
4.4 未来研究方向
开展纵向研究验证机器学习模型的预测效度；基于SHAP识别的关键特征设计干预方案并进行随机对照试验验证；探索将模型嵌入医院管理系统的可行性。
本研究通过对中国20个城市1024名手术室护士的多中心横断面调查，系统分析了同情心疲劳的患病率及症状特征，并应用五种机器学习算法构建了预测模型。主要结论如下：
高患病率与症状特征：31.8%报告重度同情心疲劳。三个维度中继发性创伤应激发生率最高（95.4%），提示手术室护士的职业心理压力主要表现为“共情创伤”而非“工作疲惫”，这可能与手术室护士频繁暴露于术中危急情况和患者痛苦的职业特殊性有关。
最优预测模型：随机森林模型在测试集中AUC为0.851（95% CI: 0.795-0.907），XGBoost模型AUC为0.824（95% CI: 0.769-0.879），两者均优于Logistic回归、决策树和支持向量机，证明了集成学习方法在捕捉变量非线性交互方面的优势。
前五大预测特征：SHAP分析显示抑郁、焦虑、自我心理健康培训、睡眠质量和工作年限对模型贡献最大。其中自我心理健康培训是唯一可主动提供的结构性干预，提示系统性的心理健康支持可能降低同情心疲劳风险。
临床与管理启示：基于机器学习的预测模型可帮助护理管理者早期识别高危个体，实现从“被动应对”到“主动筛查”的转变。针对抑郁和焦虑症状者优先安排心理支持，改善睡眠质量差者的轮班制度，加强新护士入职心理适应支持，将未接受心理健康培训者列为培训优先对象。模型的可解释性（SHAP）使管理者能理解预测的依据，制定个性化的干预方案而非“一刀切”的心理健康管理策略。
1.1 为什么选这个主题？
背景阅读： 阅读关于同情心疲劳、手术室护士、机器学习预测模型、SHAP可解释性等文献。您会发现：
手术室护士长期面对患者的痛苦和死亡，心里创伤大，同情心疲劳风险高；
已有一些研究调查了同情心疲劳的相关因素（年龄、工作年限、心理状态等），但都是用传统回归分析；
传统回归的问题是：它假设变量之间的关系是线性的、独立的，无法捕捉复杂交互；
机器学习（随机森林、XGBoost）能自动捕捉非线性关系，预测性能通常优于传统方法；
但机器学习是“黑箱”——能预测，但说不清“为什么”。SHAP就是给黑箱装“解释器”。
这就是研究空白： 没人用机器学习方法预测手术室护士的同情心疲劳，也没人用SHAP解释过预测结果。
小白提示： 这类研究的核心是 “预测 + 可解释” ——不只看“哪些因素和同情心疲劳有关”（传统研究已经做过了），而是看“用这些因素预测高危人群能有多准”，而且告诉管理者“这个护士为什么是高危”——这对临床管理更有价值。
1.2 明确研究目的
确定目标：
描述手术室护士同情心疲劳的患病率及症状特征。
用五种机器学习算法构建预测模型，比较性能。
用SHAP解释模型，识别贡献最大的预测特征。
2.1 选择研究类型
多中心横断面研究 + 机器学习预测建模：
在单一时间点通过问卷收集所有数据。
特点： 横断面能快速获取大样本，但不能确定因果关系；机器学习预测模型在这类数据上的目标是“区分高危vs非高危”而非“预测未来事件”。
2.2 确定研究对象
人群： 中国20个城市的手术室护士。
样本量： 1,024人。对于机器学习预测模型，通常要求样本量至少为特征数的10-20倍，且有足够的事件（重度同情心疲劳326人，占31.8%）。本研究满足要求。
多中心优势： 20个城市覆盖不同地区，增强样本代表性。
2.3 定义变量
结果变量（Y，二分类）：
同情心疲劳重度 vs 非重度。根据职业生活质量量表（ProQOL）得分划分——重度同情心疲劳定义为得分高于某一临界值，其他为参照组。
预测特征（X，模型输入）：
社会人口学变量（年龄、性别、工作年限、职称等）
抑郁（PHQ-9得分）
焦虑（GAD-7得分）
睡眠质量（PSQI得分）
自我心理健康培训经历（有/无）
2.4 分析框架
描述性统计 → 2. 数据拆分（训练集70%/测试集30%） → 3. LASSO特征筛选 → 4. 五种模型训练与调优 → 5. 测试集性能比较（AUC） → 6. SHAP模型解释
3.1 问卷发放
操作： 在20个城市的医院手术室，向护士发放问卷包。包括：社会人口学问卷、ProQOL（同情心疲劳）、PHQ-9（抑郁）、GAD-7（焦虑）、PSQI（睡眠质量）。强调匿名性，让护士真实作答。
3.2 数据清洗
剔除填写不完整、明显乱填的样本。
计算各量表得分。
根据ProQOL得分将结果变量二分类——重度同情心疲劳（326人，31.8%）vs 非重度（698人，68.2%）。
最终有效样本1,024人。
3.3 数据拆分（机器学习的关键步骤）
定义： 将数据随机分为训练集和测试集：
训练集（70%）： 用于训练模型、调优超参数、选择特征。模型在这里“学习”规律。
测试集（30%）： 模型从未见过的数据，用于最终评估模型性能。这是“期末考试”——只有在测试集上计算的AUC才是真正的泛化能力。
本研究的应用： 约717人在训练集，约307人在测试集。
4.1 描述性统计分析
目的： 描述样本特征和同情心疲劳的患病率。
方法： 连续变量报告均值±标准差；分类变量报告频数和百分比。按重度 vs 非重度分组比较基线特征。
4.2 LASSO特征筛选（减少过拟合）
定义： LASSO是一种正则化回归方法，它的核心功能是“变量选择”——在训练模型的同时，自动将不重要特征的系数“压缩”到0，只保留真正对预测有贡献的特征。通俗理解：如果你有20个可能的预测变量，LASSO会帮你选出其中最重要的8-10个，扔掉那些“凑数”的。
为什么需要LASSO？
如果把所有变量都放进机器学习模型，模型可能会“死记硬背”训练数据的噪声（过拟合），在测试集上表现很差。
LASSO通过惩罚机制，只保留真正重要的特征，减少过拟合风险。
本研究的应用： 从所有问卷变量中筛选出关键特征，作为后续五种模型的输入。
4.3 五种机器学习模型
定义： 本研究比较了五种算法的性能，它们代表了从简单到复杂的算法谱系。决策树是一种树形结构模型，按特征逐层分裂形成分类规则，逻辑清晰、易于解释，适合作为基准方法之一。Logistic回归是传统的统计建模方法，输出预测概率，作为所有机器学习模型的“基线”参照。随机森林通过构建多棵决策树并进行投票来做出最终预测，属于集成学习方法，能够有效处理非线性关系，预测性能通常优于单棵决策树。XGBoost是另一种集成学习算法，它串行生成决策树，每棵新树专门纠正前一棵树的错误，在表格数据中预测准确率极高。支持向量机通过寻找超平面将数据分隔开，擅长处理高维数据。之所以选择这五种算法，是因为它们覆盖了从简单线性到复杂非线性的完整谱系——Logistic回归和决策树是“基准线”，随机森林和XGBoost代表当前表格数据预测的“先进水平”，SVM则是另一种主流算法。通过比较它们的性能，可以验证先进方法是否真的优于传统方法。
本研究的应用： 分别用五种算法在训练集上建模，在测试集上计算AUC，比较性能。
4.4 模型性能评估——AUC
定义： AUC是ROC曲线下的面积，衡量模型区分“重度同情心疲劳”和“非重度”的能力。0.5为随机猜测，0.7-0.8可接受，0.8-0.9良好，>0.9优秀。
本研究的应用：
随机森林：AUC=0.851（95% CI: 0.795-0.907）→ 最佳
XGBoost：AUC=0.824（95% CI: 0.769-0.879）→ 次佳
两者均优于Logistic回归、决策树、SVM
小白理解： AUC就像模型的“考试分数”——0.85意味着随机抽一个“重度”和一个“非重度”护士，模型有85%的概率把前者打出更高的风险分。
4.5 SHAP可解释性（核心方法）
定义： SHAP基于合作博弈论，量化每个特征对模型预测结果的边际贡献——SHAP值为正表示该特征推动预测向“高风险”方向，为负表示向“低风险”方向。通俗理解：模型说“这个护士是高危”，SHAP告诉你“主要是因为她抑郁得分高、睡眠差、没参加过心理培训”——这样管理者就知道该从哪里入手帮助她。
SHAP的核心输出：
蜂群图（Beeswarm）： 全局特征重要性排名 + 特征值高低与贡献方向的关系。
力分解图（Force Plot）： 单个护士的预测解释——基线风险 + 各特征贡献 → 最终风险。
本研究的应用： 随机森林和XGBoost的SHAP图结果一致——抑郁、焦虑、自我心理健康培训、睡眠质量、工作年限是贡献最大的五个特征。
小白理解： SHAP给“黑箱”模型装了“解释器”——让管理者不仅知道“这个护士高危”，还知道“为什么高危”。这是机器学习能被临床管理者接受的关键——没人会信任一个“只告诉结果不给理由”的预警系统。
5.1 主要统计结果
患病率： 重度31.8%，中度30.4%，无/轻度37.8%
症状分布： 继发性创伤应激95.4%，低同情心满意度61.3%，职业倦怠35.0%
最优模型： 随机森林AUC=0.851（0.795-0.907）
次优模型： XGBoost AUC=0.824（0.769-0.879）
SHAP前五： 抑郁、焦虑、自我心理健康培训、睡眠质量、工作年限
5.2 统计显著性的判断规则
AUC的95% CI不包含0.5 → 模型区分能力显著优于随机猜测
两个AUC的95% CI不重叠 → 模型间性能差异显著
SHAP值大小 → 特征重要性排序（无P值，由模型输出决定）
5.3 临床/护理管理意义
精准筛查： 模型可嵌入医院管理系统，自动评估护士的同情心疲劳风险。
可解释预警： SHAP告诉管理者“为什么这个护士被预警”，指导个性化干预——抑郁和焦虑者优先安排心理支持；睡眠质量差者调整轮班；未培训者安排心理健康培训。
分层干预： 高风险护士早期干预，避免发展到重度同情心疲劳。
6.1 讨论框架（5段式）
总结：重度31.8%；继发性创伤应激95.4%；随机森林最优（AUC=0.851）；SHAP前五为抑郁、焦虑、培训、睡眠、工作年限。
与文献比较：首次用机器学习预测手术室护士同情心疲劳。
机制：手术室护士频繁暴露于创伤情境，导致继发性创伤应激累积。
实践意义：精准筛查、可解释预警、分层干预。
局限与未来：横断面不能预测未来；需前瞻性验证模型。
6.2 结论
“随机森林模型在识别手术室护士高度同情心疲劳方面表现最佳。SHAP识别的前五大特征为抑郁、焦虑、心理健康培训、睡眠质量和工作年限，为精准干预提供了靶点。”
7.1 撰写报告
标题建议： “手术室护士同情心疲劳的患病率、症状特征及机器学习预测模型研究”
方法关键点：
报告多中心调查的实施过程。
报告LASSO特征筛选的参数设置（λ选择方法）。
报告五种模型的超参数调优方法（如网格搜索）。
报告训练集/测试集的拆分比例。
报告SHAP的版本和计算方法。
7.2 投稿前自查清单
是否报告了多中心调查的实施过程？
是否报告了LASSO特征筛选的参数设置？
是否报告了五种模型的超参数调优方法？
是否报告了训练集/测试集的拆分比例？
是否报告了SHAP的版本和计算方法？
是否报告了各模型在测试集上的AUC及95% CI？
7.3 推荐期刊
International Journal of Nursing Studies
Journal of Advanced Nursing
Journal of Clinical Nursing
Frontiers in Public Health
BMC Nursing
1.1 多中心横断面研究设计
定义： 横断面研究是指在特定时间点上，对样本群体进行数据收集，以评估不同变量间的关系。本研究采用多中心横断面设计，在中国20个城市同时开展调查，通过问卷收集手术室护士的同情心疲劳、抑郁、焦虑、睡眠质量及人口学信息。
特点：
现状描述： 适合估计手术室护士同情心疲劳的患病率及症状分布特征。
机器学习预测： 虽然数据是横断面的，但机器学习模型在这里的目标不是“预测未来”，而是“区分当前高危个体”——即用一组特征将“重度同情心疲劳者”和“非重度者”分开。
多中心优势： 20个城市覆盖不同地区，增强样本代表性和模型泛化能力。
本研究的应用： 用横断面数据训练机器学习模型，识别当前处于重度同情心疲劳状态的护士。
1.2 便利抽样与多中心实施
定义： 便利抽样是一种非概率抽样方法，研究者选择最容易接触到的研究对象。本研究在20个城市的医院手术室招募护士，多中心设计增强了样本的地域多样性，但便利抽样仍是非概率抽样，样本代表性有限，外推需谨慎。
1.3 横断面数据用于“预测建模”的统计考量
定义： 本研究的预测模型实际上是“分类模型”而非传统意义上的“预测模型”。传统预测模型用基线特征预测未来结局（如“用今日数据预测明年是否发生某事件”），而本研究是用当前特征预测当前状态（“用今日的抑郁、焦虑、睡眠质量判断今日是否处于重度同情心疲劳”）。这种设计虽然不能回答“谁会发展成重度”，但能回答“谁现在是重度”，对即时筛查仍有价值。在讨论中应承认这一局限，并指出未来需前瞻性验证。
2.1 同情心疲劳（结局变量）
定义： 同情心疲劳是指助人者在长期接触患者创伤和痛苦后，因共情投入过度而导致的身心耗竭状态。本研究使用职业生活质量量表（ProQOL）测量，包含三个维度：继发性创伤应激、职业倦怠和同情心满意度。根据ProQOL得分将护士分为三组：重度、中度、无/轻度同情心疲劳。分析时将其二分类为“重度”vs“非重度”，作为机器学习模型的预测目标。
2.2 预测特征（机器学习模型的自变量）
定义： 用于预测同情心疲劳状态的输入变量，包括：
社会人口学变量： 年龄、性别、工作年限、职称、婚姻状况等
心理状态变量： 抑郁（PHQ-9得分）、焦虑（GAD-7得分）
生活方式变量： 睡眠质量（PSQI得分）
培训经历： 是否接受过自我心理健康培训
这些特征通过问卷收集，作为机器学习模型的输入（X），预测结局变量（Y）。
3.1 描述性统计分析
目的： 描述样本的基本特征及同情心疲劳的患病率分布。
方法： 连续变量报告均值±标准差；分类变量报告频数和百分比；按重度vs非重度分组比较基线特征。
3.2 LASSO回归（特征筛选）
定义： LASSO是一种带L1惩罚项的正则化回归方法。它的核心功能是“变量选择”——在训练模型的同时，自动将不重要特征的系数“压缩”到0，只保留真正对预测有贡献的特征。在机器学习建模之前使用LASSO，可以降低特征维度、减少过拟合风险、提高模型可解释性。
关键参数——λ（lambda）： λ是LASSO中的惩罚强度参数。λ越大，惩罚越强，更多特征的系数被压缩为0（即被剔除）；λ越小，惩罚越弱，保留的特征越多。最优λ通常通过交叉验证选择——选择使交叉验证误差最小的λ值。
本研究的应用： 从所有问卷变量中筛选出关键特征，作为后续五种模型的输入。
小白理解： 如果你有20个可能的预测变量，LASSO会帮你选出其中最重要的8-10个，扔掉那些“凑数”的。
3.3 训练集与测试集拆分
定义： 将数据随机分为两部分：
训练集（70%）： 用于训练模型、调优超参数。模型在这里“学习”数据中的规律。
测试集（30%）： 模型从未见过的数据，用于最终评估模型性能。这是“期末考试”——只有在测试集上计算的AUC才是模型的真实泛化能力。
为什么需要拆分？
如果在训练数据上评估模型，模型可能“死记硬背”了训练数据的噪声（过拟合），在没见过的数据上表现会很差。测试集确保模型真的学会了泛化能力，而不是背答案。
本研究的应用： 约717人在训练集，约307人在测试集。
3.4 五种机器学习模型
定义： 本研究比较了五种算法的性能，它们代表了从简单到复杂的算法谱系：
决策树是一种树形结构模型，按特征逐层分裂形成分类规则，逻辑清晰、易于解释，适合作为基准方法之一。Logistic回归是传统的统计建模方法，输出预测概率，作为所有机器学习模型的“基线”参照。随机森林通过构建多棵决策树并进行投票来做出最终预测，属于集成学习方法，能够有效处理非线性关系，预测性能通常优于单棵决策树。XGBoost是另一种集成学习算法，它串行生成决策树，每棵新树专门纠正前一棵树的错误，在表格数据中预测准确率极高。支持向量机通过寻找超平面将数据分隔开，擅长处理高维数据。
为什么选这五种？
它们覆盖了从简单线性到复杂非线性的完整谱系——Logistic回归和决策树是“基准线”，随机森林和XGBoost代表当前表格数据预测的“先进水平”，SVM则是另一种主流算法。通过比较它们的性能，可以验证先进方法是否真的优于传统方法。
3.5 超参数调优
定义： 每种机器学习算法都有一些“旋钮”（超参数），如随机森林的树数量、XGBoost的学习率等。超参数调优就是通过系统搜索找到使模型性能最优的参数组合。
常用方法：
网格搜索： 穷举所有预设参数组合，找到最优的。
随机搜索： 随机采样参数组合，比网格搜索更高效。
交叉验证： 在训练集内部进一步拆分，用一部分验证参数效果，防止过拟合。
本研究的应用： 采用网格搜索或随机搜索结合交叉验证，在训练集上寻找最优超参数。
3.6 模型性能评估——AUC（曲线下面积）
定义： AUC是ROC曲线下的面积，衡量模型区分“重度同情心疲劳”和“非重度”的能力。取值范围0.5-1.0：0.5为随机猜测，0.7-0.8为可接受，0.8-0.9为良好，>0.9为优秀。
为什么用AUC而不用准确率？
当数据不平衡时（本研究重度31.8%，非重度68.2%），准确率可能误导——如果模型把所有人都预测为“非重度”，准确率也有68.2%。AUC不受阈值选择和类别不平衡的影响，是衡量模型区分能力的更可靠指标。
本研究的应用：
随机森林：AUC=0.851（95% CI: 0.795-0.907）→ 最佳
XGBoost：AUC=0.824（95% CI: 0.769-0.879）→ 次佳
两者均优于Logistic回归、决策树、SVM
小白理解： AUC就像模型的“考试分数”——0.85意味着随机抽一个“重度”和一个“非重度”护士，模型有85%的概率把前者打出更高的风险分。
3.7 SHAP可解释性（核心方法）
定义： SHAP（SHapley Additive exPlanations）基于合作博弈论，量化每个特征对模型预测结果的边际贡献。SHAP值为正表示该特征推动预测向“高风险”方向，为负表示向“低风险”方向。
为什么需要SHAP？
随机森林和XGBoost虽然预测准，但它们是“黑箱”——你知道预测结果，但不知道为什么。
临床管理者不会信任一个“只告诉结果不给理由”的预警系统。
SHAP为每个预测给出解释，提升临床接受度。
SHAP的核心输出：
蜂群图（Beeswarm）： 全局解释——横轴为SHAP值，纵轴为特征按重要性排序，颜色代表特征值高低。红色点在右侧表示该特征值越高，风险越高；蓝色点在左侧表示特征值越高，风险越低。
力分解图（Force Plot）： 个体解释——展示某一个人的预测是如何被各个特征“推动”的。基线风险 + 各特征贡献 → 最终风险。
本研究的应用： 随机森林和XGBoost的SHAP图结果一致——抑郁、焦虑、自我心理健康培训、睡眠质量、工作年限是贡献最大的五个特征。
小白理解： 模型说“这个护士是高危”，SHAP告诉你“主要是因为她抑郁得分高、睡眠差、没参加过心理培训”——这样管理者就知道该从哪里入手帮助她。
3.8 敏感性分析（可选）
目的： 验证模型性能是否稳健。常用方法包括改变训练集/测试集的拆分比例、改变特征筛选的参数、用不同的缺失数据处理方法等。
4.1 主要统计结果
患病率： 重度31.8%，中度30.4%，无/轻度37.8%
症状分布： 继发性创伤应激95.4%（最高），低同情心满意度61.3%，职业倦怠35.0%
最优模型： 随机森林AUC=0.851（95% CI: 0.795-0.907）
次优模型： XGBoost AUC=0.824（95% CI: 0.769-0.879）
SHAP前五： 抑郁、焦虑、自我心理健康培训、睡眠质量、工作年限
4.2 统计显著性的判断规则
AUC的95%置信区间不包含0.5意味着模型区分能力显著优于随机猜测。两个AUC的95%置信区间不重叠意味着模型间性能差异显著。SHAP值的大小反映特征重要性的排序（无P值，由模型输出决定）。需要注意的是，SHAP值的大小不代表传统统计学的“显著性”，而是反映特征对模型预测的相对贡献——它告诉管理者“哪些特征最值得关注”，而非“哪些特征在统计上显著”。
4.3 临床/护理管理意义
模型可嵌入医院管理系统，自动评估护士的同情心疲劳风险。SHAP告诉管理者“为什么这个护士被预警”，指导个性化干预——抑郁和焦虑者优先安排心理支持；睡眠质量差者调整轮班；未培训者安排心理健康培训。
祝大家发文顺利，有什么不懂可以在评论区留言，吴老师尽量解答！零基础的同学可以咨询一对一辅导，快速发表SCI文章！
吴老师微信：wzp1670423539
还在担心没有SCI论文，缺少竞争力？找专人学习、快速发表人生第一篇SCI，点⬇️链接报名咨询！
0基础发护理SCI！一对一全程教学指导（教到发表模式）招生报名！
护研SCI专注护士SCI论文一对一指导，让每个护士都学会从０到１发表SCI！
我们定期解读优质文献，分享文章的具体思路和方法学。此外，我们面向护士提供高端一对一科研线上辅导，让零基础的普通人快速学会从0到1发表临床科研SCI论文。
感兴趣请扫描文末吴老师的二维码具体咨询如何加入SCI论文辅导项目。微信：wzp1670423539
本期编辑
你的分享、点赞、在看
我都喜欢
授人以鱼不如授人以渔
学无止境，终身学习！
