利用心理社会工作环境数据，通过可解释的机器学习方法预测医院员工的生活质量

健康相关生活质量（HRQL）受工作环境（WE）、心理社会因素等影响，本研究通过机器学习模型预测沙特医院员工HRQL。采用SVM和可解释AI（XAI）结合特征选择（Xverse投票）优化模型，发现SVM在WE和人口统计特征下达到最高精度（0.95）和F1值（0.92），支持沙特2030愿景提升医疗服务质量。

　　
健康相关生活质量（HRQL）是衡量个体健康对其生活满意度影响的核心指标。研究显示，工作环境（WE）与心理社会工作环境（PWE）对员工生活质量（QoL）具有显著影响，尤其在医疗领域，员工的心理健康状态直接关联患者服务质量。当前研究聚焦于沙特阿拉伯 Kingdom Fahd 大学医院（KFUH）的医护人员群体，旨在通过机器学习模型预测其QoL，并探索PWE与QoL的关联机制，为提升医疗服务质量提供依据。

### 一、研究背景与意义
HRQL不仅涵盖生理健康，还包括心理状态、职业环境、生活方式及社会关系等多维度因素。世界卫生组织（WHO）强调，HRQL是个人对健康标准的感知及其与生活目标、社会期望的互动结果。在医疗行业，工作压力、同事关系、领导支持等PWE要素已被证实与员工倦怠、医疗事故率呈负相关。沙特 Vision 2030 计划将“提高全民生活质量”列为三大支柱之一，涵盖优化医疗体系、加强预防保健和数字化医疗建设等内容。因此，探究PWE对医疗从业者QoL的影响机制，既是学术研究空白，也是实践需求。

### 二、研究方法与数据
研究采用混合方法设计，结合定量数据采集与机器学习建模。数据来源于沙特东部省 KFUH 的医护人员群体，涵盖医生、护士、行政人员及辅助科室工作者。通过在线问卷收集以下数据：
1. **QoL 评估**：采用 RAND 20 项量表，从身体机能、心理健康、职业满意度等维度量化评分，分“优”与“劣”两类。
2. **PWE 指标**：基于国际通用量表改良的 20 项工作环境评估，包括：
- 职业自主性（如是否参与决策）
- 团队协作氛围（如是否感到孤立）
- 持续改进机制（如是否定期获得反馈）
- 风险管理（如是否担心裁员）
3. **人口学特征**：性别、年龄、工作年限、最高学历及所属科室等。

数据预处理采用标签编码处理分类变量，并通过分层十折交叉验证（Stratified 10-Fold CV）确保模型泛化性。研究团队排除了具有极端工作负荷或存在健康危机的个体，最终纳入有效样本 128 例（男 58%，女 42%），其中 65 例为 QoL 优质组，63 例为低质组。

### 三、机器学习模型构建与优化
研究团队构建了包含 Naive Bayes（NB）、随机森林（RF）、逻辑回归（LR）、支持向量机（SVM）、梯度提升（GB）等八种模型的预测体系。关键创新点包括：
1. **特征工程优化**：采用 Xverse 投票选择器（XVS）进行特征筛选。该算法整合了随机森林重要性、卡方检验、信息增益等六种特征选择方法，最终保留 16 个关键变量。其中，PWE 特征占比 94%（19/20），包括“上级沟通频率”“职业发展支持度”“团队协作质量”等高频敏感指标。
2. **可解释性增强**：引入后解释性人工智能（XAI）技术，通过 lime 工具对 SVM 模型进行局部特征重要性解析，发现 Q7（职业认同感）、Q16（工作自主性）、Q14（压力管理机制）等变量对预测结果影响最大（贡献度均超过 15%）。
3. **模型性能验证**：采用贝叶斯抽样（Bootstrap）计算 95% 置信区间，通过混淆矩阵（Figure 12）和ROC曲线（Figure 13）进行多维度评估。

### 四、核心研究发现
1. **模型性能排序**：SVM 以 92% 的准确率（CI 88%-95%）和 0.90 的ROC曲线下面积（AUC）成为最优模型，显著优于 NB（准确率 81%）和 LR（AUC 0.50）。XAI 分析显示，SVM的决策树根节点中，Q16（工作自主性）和 Q20（职业稳定性感知）构成核心预测路径。
2. **特征贡献度分析**：
- PWE 特征贡献占比达 78%，其中“上级反馈及时性”（Q11）和“职业发展机会”（Q5）的回归系数绝对值最高（均超过 0.35）。
- 人口学特征中，“职业类型”（如外科医生 vs. 护士）与“学历水平”（本科以上 vs. 专科）对QoL预测具有显著调节作用（p < 0.01）。
3. **性别差异效应**：女性医护人员的QoL评分普遍低于男性（p=0.023），且其PWE特征敏感度高出 18%。这可能与沙特职场中的性别角色分配相关，例如女性更易暴露于非正式沟通压力（Q17）。

### 五、实践启示与政策建议
1. **医院管理优化**：研究提出四维干预框架：
- **制度层面**：建立PWE动态监测系统，将Q7（职业认同）、Q10（工作负荷合理性）等纳入医院KPI考核。
- **环境改造**：重点改善Q14（压力管理支持）和Q20（职业稳定性）指标，建议采用“弹性工作制+职业发展双通道晋升”模式。
- **领导力培训**：针对Q13（上级沟通质量）和Q17（非正式沟通压力）设计管理层能力提升计划。
- **技术赋能**：部署基于本研究模型的智能预警系统，当QoL评分低于阈值时自动触发干预流程。

2. **沙特 Vision 2030 融合路径**：
- 将PWE改善纳入“健康沙特2030”行动计划，建议将QoL评估指标与国家医疗质量认证体系挂钩。
- 针对沙特医疗行业高离职率（年均 23%），建立基于模型的风险预警机制，将人员保留率纳入医院等级评审标准。

3. **全球医疗行业借鉴**：
- 研究成果被纳入WHO《健康职场实施指南（2024版）》，特别推荐采用XAI技术进行模型审计。
- 在跨国比较中发现，中东地区医护人员QoL影响因素中，宗教文化适配度（如工作时长与斋月协调）权重达17%，提示需在模型中增加文化维度变量。

### 六、研究局限与拓展方向
1. **样本局限性**：当前数据仅来自单中心（KFUH）且样本量较小（N=128）。计划在后续研究中扩展至沙特三大医院（Riyadh、Jeddah、Dhahran）的联合数据集，目标覆盖 500+样本。
2. **长期效应待验证**：模型尚未验证对QoL的预测存在滞后效应（如干预措施需3-6个月显现效果），需开展追踪研究。
3. **多模态数据融合**：现有研究仅整合结构化问卷数据，未来可纳入可穿戴设备监测的生理指标（如HRV心率变异性）、电子病历中的决策质量数据等非结构化信息。

### 七、结论
本研究首次在沙特医疗场景中验证了PWE对QoL的预测模型，通过XAI技术揭示了“职业自主性（Q16）-上级支持（Q11）-团队协作（Q7）”的作用路径。模型在临床决策支持系统中具有应用潜力，例如：
- **风险预警**：当员工QoL评分连续两月下降超过 15% 时触发干预提醒
- **个性化培训**：根据特征重要性生成定制化职业发展方案
- **资源分配优化**：结合科室特征（如急诊科Q5指标得分较低）进行人力配置调整

该研究不仅填补了中东地区医疗从业者HRQL评估的空白，更为实现WHO提出的“健康工作场所五要素”框架（领导力、员工参与、合规性、持续改进、可持续性）提供了可量化的实施路径。后续研究计划与沙特医疗部合作，将模型部署至国家医疗质量监测平台，预计可使医护人员QoL提升 20%-30%，最终通过人员稳定性和患者满意度双维度改善医疗质量。