《基于机器学习构建骨科护士心理状态预测模型》由会员分享，可在线阅读，更多相关《基于机器学习构建骨科护士心理状态预测模型（9页珍藏版）》请在金锄头文库上搜索。
1、 基于机器学习构建骨科护士心理状态预测模型 【摘 要】：目的 分析骨科护士心理状态，了解相关影响因素，并在基于机器学习构建骨科护士心理状态预测模型。方法 选取2021年6月某市8所医院的168名骨科护士为研究对象，以症状自评量表（SCL-90）调查骨科护士心理状态，经单因素、多因素Logistic回归分析筛选出预测因子，基于机器学习应用支持向量机（RBF-SVM）、Logistic回归、线性判别式分析（LDA）三种分类器构建预测骨科护士心理状态模型，比较三种模型预测价值。结果 骨科护士SCL-90平均分（125.4324.19）分，其中67例筛选为阳性，存在心理问题。经单因素、多因素分析证实护
2、龄、社会支持程度、工作成就感、自我效能感为骨科护士心理状态独立影响因素（P0.05）。基于机器学习，应用RBF-SVM构建的骨科护士心理状态预测模型预测价值最高，优于Logistic回归、LDA。结论 骨科护士心理状态影响因素众多，护龄、社会支持程度、工作成就感、自我效能感为主要影响因素，基于机器学习以RBF-SVM构建预测模型能够较为准确的识别心理状态不佳的护士。【关键词】：骨科护士；心理状态；预测模型；机器学习了解骨科护士心理状态，科学制定心理状态预测模型，有助于尽早识别不良心理状态的骨科护士，采取针对性管理对策改善其心理状态，促进其心理健康，使其更好的从事骨科护理工作1。基于此，本研究以
3、8所医院的168名骨科护士为例，分析其心理状态，并针对性构建心理状态预测模型，具体研究情况如下：1.资料与方法1.1一般资料选取2021年6月某市8所医院的168名骨科护士，18名男护士，150名女护士；年龄2154岁，平均（29.844.51）岁。均对研究内容知情，自愿参与研究。1.2方法1.2.1资料收集应用一般资料调查表调查护士一般资料情况，包括性别（男性、女性）、年龄（30岁、3035岁、35岁）、护龄（5年、510年、10年）、职称（护士、护师、主管护师）、文化程度（中专、大专、本科及以上）。并以社会支持程度量表（SSRS）、工作成就感视觉模拟评分法（VAS）、一般自我效能感量表（G
4、SES）调查骨科护士工作成就感、工作成就感、自我效能感，以二分法分为低、高两级。1.2.2心理状态调查以症状自评量表（SCL-90）调查骨科护士心理状态，该量表分为9个分量表，共90条目，每条目15分，计算总评分。总分160分，或阳性条目数43项，筛选为阳性。1.2.3相关因素分析对比不同一般资料骨科护士SCL-90阳性患者比例，并将对比差异有统计学意义的指标纳入多因素Logistic回归分析当中，筛选出影响骨科护士心理状态的独立因素。1.2.4基于机器学习构建骨科护士心理状态预测模型基于机器学习分别以RBF-SVM、Logistic回归、LDA构建预测骨科护士心理状态模型，比较三种模型预测R
5、OC曲线下面积（AUC）、灵敏度、特异度、准确率。对比三种模型的预测价值。1.3统计学方法以SPSS 26.0系统进行统计系分析，计数资料以“n（%）”表示，以2检验；计量资料以“s”表示，以t检验；P0.05有统计学意义。多因素分析应用Logistic回归分析。2.结果2.1骨科护士心理状态调查结果经调查，骨科护士SCL-90评分（125.4324.19）分，其中67名为阳性患者，存在心理问题，阳性率39.88%。2.2骨科护士心理状态影响因素不同年龄、护龄、社会支持程度、工作成就感、自我效能感骨科护士SCL-90阳性率差异有统计学意义（P0.05）。详见表1。表1骨科护士心理状态单因素分析
6、一般资料nSCL-90阳性n(%)2P性别男186(33.33)0.3600.548女15061(40.67)年龄30岁8547(55.29)4.4740.0343035岁4114(34.15)35岁426(14.29)护龄5年7345(61.64)17.4570.001510年7621(27.63)10年191(5.26)职称护士3617(47.22)1.1890.276护师9338(40.86)主管护师3912(30.77)文化程度中专4820(41.67)0.3520.553大专9137(40.66)本科及以上2910(34.48)社会支持程度低4328(65.12)15.3500.00
7、1高12539(31.2)工作成就感低4129(70.73)21.5300.001高12738(29.92)自我效能感低4737(78.72)41.0640.001高12130(24.79)以单因素分析中差异有统计学意义的指标作为自变量（相关指标按照0-2赋值），以SCL-90是否阳性为因变量，构建Logistic回归分析模型，进行多因素回归分析。多因素Logistic回归分析证实，护龄、社会支持程度、工作成就感、自我效能感为骨科护士心理状态独立影响因素（P0.05）。详见表2。表2 Logistic回归分析变量bSEWaldPOR95%CI下限上限年龄0.2640.2152.9860.567
8、0.7680.2250.909护龄0.2530.1284.3350.0281.5891.0242.106社会支持程度-0.7190.3524.8210.0322.0511.2084.521工作成就感-0.6190.3318.0250.0042.8131.1294.908自我效能感-0.4520.2067.9130.0052.5541.1836.429常量2.1051.22414.2420.0000.0102.3骨科护士心理状态预测模型选择经Logistic回归分析筛选出的4个独立危险因素，构建三种预测骨科护士心理状态的预测模型，其中RBF-SVM构建的模型预测价值更好，AUC、灵敏度、特异度、
9、准确率均高于Logistic回归、LDA构建的模型；其次是Logistic回归构建的模型；LDA所构建的模型预测价值最差。详见表3。表3不同模型预测价值变量AUC灵敏度（%）特异度（%）准确率（%）RBF-SVM0.80277.6183.1780.95Logistic回归0.78167.1680.2075.00LDA0.67459.7074.2668.453.讨论骨科护士护理对象多为因交通意外、劳动工作意外等创伤入院患者，患者病情复杂，伴有不同程度肢体伤残及其他并发症2。由于护理对象的特殊性，骨科护士工作强度较大，心理应激反应强烈，从而引发一系列心理问题，并影响其临床护理工作。分析骨科护士心理
10、状态相关因素，并构建预测模型，对于指导骨科合理制定护士管理方案有重要意义。本次经单因素、多因素分析证实，护龄、社会支持程度、工作成就感、自我效能感为骨科护士心理状态独立影响因素（P0.05）。分析原因，护龄越长，骨科护士的临床护理经验越多，应对骨科环境及突发状况的能力越强，自我调适能力越强，心理应激相对较轻，故心理状态越好；社会支持度越高，骨科护士来自外界的心理支持及行为帮助越多，能够在一定程度上降低其工作难度，提升其抗压能力，心理状态往往较好3；工作成就感、自我效能感越强，骨科护士对于自我职业的认同度越高，对于各种应激时间的耐受能力强，而且具有更高应对和解决信心，呈现出良好心理状态。心理状态
11、属于心理学范畴，其具有不可重复性，目前并没有预测心理状态的理想模型，以往研究者构建的模型往往难以广泛应用。机器学习可以应用于人工无法实现的复杂问题预测中，其应用发展极大推动了心理学方面的科研发展。机器学习涉及算法众多，每种算法均有自身优势与不足4。本次研究证实，基于机器学习算法，应用RBF-SVM构建骨科护士心理状态预测模型更具有优势，可以显著提升预测准确性，有效识别存在心理问题的骨科护士。本研究认为，这与RBF-SVM本身特点有关，其善于解决小样本、非线性、高纬模式识别问题，通过探究最小结构风险识别目标人群。综上，骨科护士此能力状态受多种因素影响，以RBF-SVM构建骨科护士心理状态预测模型有助于识别存在心理问题的护士，指导科室管理者合理制定护士管理方案。【参考文献】1罗泽槟,王沛如,王逸如.临床护士心理健康状况预测模型的初步构建J.中华现代护理杂志,2021,27(03):328-333.2陈雅玲.骨外科手术患者的心理特点以及临床护理效果观察J.中国卫生标准管理,2018,9(02):159-162.3赵雪,梅晓凤,曹虹.骨科护士心理资本与职业认同的现状及相关性分析J.职业与健康,2019,35(10):1377-1380.4赵永鹏,朱俊杰.基于机器学习心肌梗死患者的心磁信号诊断J.软件工程,2021,24(10):2-6. -全文完-
