基于机器学习的护理学生社交焦虑预测模型：一项横断面调查

《Frontiers in Psychiatry》：Social anxiety prediction model for nursing students based on machine learning: a cross-sectional survey

本研究采用七种机器学习模型（LR, EN, KNN, DT, XGBoost, SVM, RF）预测护理学生社交焦虑风险，发现随机森林模型AUC最高（0.71）。关键风险因素包括睡眠状况、情感表达困难、抑郁、教育水平及宗教信仰。建议学校加强心理干预。

　　
该研究聚焦于护理学生群体中社会焦虑风险的预测模型构建与优化，通过多中心大样本调查和机器学习算法对比，揭示了社会焦虑的影响机制及预测工具的选择依据。研究采用交叉-sectional设计，覆盖全国10所高校的2024名护理学生，运用Logistic回归分析筛选出睡眠状况、情感识别障碍（Alexithymia）、抑郁症状、教育程度和宗教信仰五个核心预测变量。在模型构建阶段，综合比较了逻辑回归、弹性网络、KNN、决策树、XGBoost、支持向量机与随机森林七种机器学习算法的预测效能。

实验环境采用Python 3.9.9框架，整合scikit-learn、XGBoost等主流库进行模型开发。通过五折交叉验证和网格搜索优化超参数，最终确定随机森林模型（AUC=0.71）在测试集上表现最优，较次模型AUC差距达0.12。决策曲线分析显示，在0.2-0.4风险阈值区间，随机森林模型的净获益显著高于其他算法，验证了其临床适用价值。

特征重要性分析表明，Alexithymia（情感识别障碍）以0.4376的SHAP值成为首要风险因素，其次为睡眠质量（0.3251）、抑郁症状（0.2222）、教育程度（0.1553）和宗教信仰（0.1395）。该排序与多维度健康生态模型的理论框架高度契合，特别是将睡眠质量从传统生物医学指标提升至预测因子首位，这一发现挑战了既有研究范式。

研究首次系统比较了七种机器学习模型在护理学生群体中的预测效能，发现随机森林模型在平衡敏感性（98.7%）与特异性（89.3%）方面表现突出，其准确率达76.3%。对比分析显示，支持向量机存在明显的过拟合倾向（AUC=0.59），而决策树等简单模型在特征交互处理上存在局限。弹性网络与逻辑回归的AUC值（0.70）虽接近最优，但缺乏模型可解释性优势。

临床意义方面，研究证实护理学生社会焦虑患病率达25.79%，显著高于普通大学生群体（17%）。教育程度与焦虑风险呈负相关，本科层次学生焦虑发生率（21.3%）显著低于专科层次（32.7%），这可能与更高阶教育带来的社会适应能力提升有关。宗教信仰作为保护性因素，其存在使焦虑风险降低13.9%，提示精神支持在心理干预中的关键作用。

研究创新性体现在三个方面：其一，构建了包含生物心理社会多维因素的风险预测框架，整合了健康生态模型与机器学习技术；其二，通过SHAP值可视化解析了特征贡献度，发现情感认知障碍（Alexithymia）与睡眠质量存在非线性交互效应；其三，首次在护理教育领域验证了机器学习模型的临床适用性，为心理筛查工具开发提供新范式。

局限性方面，研究存在三重制约：数据来源依赖自评量表，可能存在社会期望偏差；横断面设计无法确认因果关联；样本量虽大但存在性别失衡（女性占比79.6%），可能影响模型泛化能力。建议后续研究采用混合研究方法（定量+质性），并纳入社会支持、职业认同等动态变量，同时开发多中心验证数据库。

该成果对护理教育实践具有三重指导价值：首先，建立基于机器学习的学生心理档案系统，实现高危群体自动识别；其次，针对Alexithymia开发团体心理辅导方案，配合睡眠干预课程；最后，建议院校将宗教信仰评估纳入心理健康教育体系，通过宗教团体活动增强社会支持网络。研究证实，整合多源数据的机器学习模型在护理学生心理评估中展现出优于传统统计方法的预测效能，为精准化心理健康管理提供技术支撑。