基于随机森林模型的三甲医院护士不良事件上报意愿影响因素分析及质量提升策略

本研究针对护士不良事件上报率低的现状，以上海某三甲医院823名护士为样本，采用RoCAES量表和随机森林模型，揭示了专业职称、上报经历、年龄等8项关键影响因素。研究发现简化流程、弱化惩罚文化可显著提升上报意愿，为护理质量管理提供了循证依据。

　　

在医疗安全领域，护士作为临床一线的"哨兵"，其不良事件(Nursing Adverse Events)上报行为直接关乎患者安全。然而现实情况令人担忧：全球范围内约40%-70%的医疗差错未被上报，我国三甲医院护士上报率更是不足30%。这种"沉默文化"背后，究竟隐藏着哪些制度障碍和心理机制？上海某三甲医院护理研究团队在《Asian Nursing Research》发表的最新研究，运用机器学习算法揭开了这一谜团。

研究团队于2024年8月采用便利抽样法，通过通用信息问卷、上报意愿问卷、临床不良事件报告量表(RoCAES)和报告障碍问卷四类工具收集数据。关键技术包括随机森林模型的特征重要性排序、Lasso回归的变量筛选，以及逐步多元线性回归的验证分析。

结果

1. 现状分析：823名护士的上报意愿中位数达14分(满分15)，但实际报告率仅28.6%，揭示"高意愿-低行动"的矛盾现象。
2. 关键因素：随机森林模型识别出专业职称、既往上报经历、年龄等8个核心变量，其中"简化流程"(特征重要性0.32)和"非惩罚文化"(0.29)权重最高。
3. 群体差异：30岁以下护士较年长者上报意愿高1.8倍(p<0.01)，无上报经验者意愿反而比有经验者高23%。

讨论
研究首次将机器学习应用于护士上报行为研究，发现传统认知中的"经验促进上报"规律被颠覆——新手护士因未被"惩罚文化"同化而更愿发声。更重要的是，研究量化了流程复杂度(β=-0.41)与文化包容性(β=0.38)的调控作用，为制定"无责难上报"制度提供了数据支撑。该成果对实现《健康中国2030》患者安全目标具有实践价值，建议医疗机构通过建立匿名上报系统和正向激励制度，将理论发现转化为安全屏障。