一项发表于《Discover Artificial Intelligence》的研究测试了机器学习能否将高心理社会韧性的医护人员与低韧性者区分开来，结果显示出一个虽不突出但可用的信号。该研究团队来自洛哈私立技术大学（Universidad Tecnica Particular de Loja），他们利用了新冠疫情期间在美国收集的调查数据，并对三种不同的分类方法进行了比较。
这一研究框架有意偏离了现有文献的主流方向。大多数关于医护人员心理健康的研究都集中在负面结果上，如职业倦怠、情绪耗竭和人员流失。而这项研究则试图预测一种积极能力：主动应对压力并从中恢复的能力。这种侧重点的转变对于未来支持项目的设计方式具有重要意义，因为它关注的是什么能让人保持正常运转，而不仅仅是什么会让人崩溃。
三种算法，一个明确的赢家
研究团队在同一组调查回答上训练了三种分类模型：逻辑回归、随机森林分类器和支持向量机（SVM）。每个模型都被要求将受访者归入高韧性或低韧性两组之一，然后比较这些算法做出正确归类的频率。
- 逻辑回归：准确率75.6%，ROC曲线下面积为0.816
- 随机森林：准确率72.6%
- 支持向量机：准确率70.8%
逻辑回归产生了最强的结果。ROC曲线下面积衡量的是模型在所有可能的决策阈值下区分两个类别的能力，0.816的数值表明区分能力相当不错，但远未达到完美。值得注意的是，三种方法中最简单的一种胜过了两种更复杂的替代方案，这种模式在表格型调查数据中经常出现，因为这类数据中变量之间的关系大致呈线性，且样本规模适中。
训练数据的来源
模型需要样本来学习。研究人员使用了芝加哥大学NORC收集的“How Right Now心理健康与应对”数据集，该数据集收集于2021年至2022年间。它包含来自美国2,055人的回答，采集于疫情期间医院和诊所持续承受压力、人员短缺且患者需求异常高涨的一段时期。
构建韧性指数
在训练任何模型之前，研究人员需要一个可测量的预测目标。他们从四个心理测量变量构建了一个韧性指数：韧性本身、恢复能力、控制感和自信。这些组成部分被合并后，以中位数作为分界点分为两个水平，从而为每位受访者生成高韧性与低韧性的二元目标。以中位数分割保证了类别集合的平衡，这使各模型的准确率数据具有可比性，但这也意味着两个组别是相对于彼此定义的，而非依据绝对的临床阈值。
什么因素预测低韧性
当检查模型以确定哪些输入变量权重最大时，三个因素占据主导地位。压力是最强的贡献因素，权重为0.182，其次是抑郁（0.160）和焦虑（0.145）。绝望感和睡眠模式变化紧随其后，共同构成了一组变量群，它们共同表明受访者更有可能落入低韧性组。
这一排序符合直觉，但仍具有信息价值。它表明，是痛苦的整体累积负担，而非任何单一症状的孤立作用，决定了医护人员是否保留了继续应对所需的心理资源。基于这种权重构建的筛查方法，原则上可以在风险转化为职业倦怠或离职之前，标记出那些因压力、情绪低落和焦虑的组合而处于较高风险的人。
应对策略似乎会叠加
应对行为进入模型时个体权重较低，但它们始终与更高的韧性相关。寻求社会支持、投入爱好、祈祷和冥想都指向同一方向，表明这些习惯伴随着更高的韧性，尽管它们对预测的贡献不如与痛苦相关的变量大。
更引人注目的是这些行为如何组合。研究人员发现，其效应似乎是累积的：报告同时使用多种应对策略的受访者，其平均韧性得分高于仅依赖一种策略的人。这一模式暗示，就保护性习惯而言，广度可能与强度同样重要。这也是一种单次横断面调查无法完全解释的发现，因为横断面设计无法确定是这些策略带来了更高的得分，还是本来就有韧性的人更可能采用这些策略。
证据的局限
作者们坦率地指出了其结果的边界。这些数据仅捕捉了单一时间点，而非在数月或数年内追踪个体，因此该研究无法显示韧性如何升降，也无法确定其与应对行为的关系方向。所有测量都依赖于参与者的自我报告，而自我报告可能受到情绪、记忆和社会期望的影响。此外，样本完全来自美国。
这些限制约束了结论能推广到其他医疗系统的程度，包括拉丁美洲的医疗系统，那里的工作条件、人员配置模式、薪酬结构以及对心理健康的文化态度可能都有所不同。即使底层的心理学概念相似，在一个国家受访者上训练的模型也不能自动迁移到另一个国家。
提出的后续步骤
研究团队提出了明确的后续路径。首先，在拉丁美洲的医护人员中验证该模型，以测试相同的预测因素在不同的劳动力市场和医疗系统背景下是否成立。其次，用额外的测量指标丰富输入数据，如睡眠数据或生理指标，这些可以补充自我报告的回答，并减少研究对主观评估的依赖。
如果验证成功，该方法可以支持比研究结果更实用的东西：一种识别哪些员工可能从支持中获益最多，以及哪些应对策略组合似乎能保护他们的方法。作者们并未声称该模型已准备好部署，而准确率数据也证明了这种谨慎是合理的。
为什么这一结果重要
近年来，医疗工作者承受了巨大的压力，而选择对韧性而非仅仅对缺陷进行建模是一个有意义的决定。75.6%的准确率并非诊断工具，研究人员也没有将其作为诊断工具来呈现。但它确实表明，常规收集的调查回答中包含一种可学习的模式，一种简单的逻辑回归至少能像更复杂的机器学习替代方案一样很好地读取这种模式。对于正在权衡如何分配稀缺心理健康资源的医疗系统而言，这是一个值得进一步验证的信号。
本文基于Medical Xpress的报道。阅读原文。
Originally published on medicalxpress.com
