公共卫生危机下医护人员心理健康预测模型的构建与应用：基于随机森林与SMOTE的创新研究

本研究针对公共卫生危机中医护人员(HCWs)抑郁和焦虑的高发问题，采用随机森林分类器(RFC)结合合成少数类过采样技术(SMOTE)，从个体、人际和机构三个维度构建预测模型。研究发现抑郁和焦虑患病率分别为28.37%和33.52%，模型AUC分别达0.88和0.72，关键预测因子包括职业倦怠(burnout)、心理弹性(resilience)和情感劳动(emotional labor)。该研究为危机下医护人员心理健康干预提供了精准筛查工具，同时为解决医学领域常见的数据不平衡问题提供了创新方案。

　　

在SARS、埃博拉和COVID-19等公共卫生危机中，医护人员(HCWs)始终处于抗疫最前线，面临巨大的心理压力。研究表明，疫情期间医护人员抑郁和焦虑的患病率分别高达45.6%-77.6%和20.7%-60.2%，但针对这一特殊群体的心理健康预测模型研究却严重匮乏。更棘手的是，实际场景中心理健康异常者往往属于少数类，传统机器学习方法容易因数据不平衡而产生偏差。

宁波大学公共卫生与健康科学中心的研究团队在《Scientific Reports》发表了一项创新研究。他们选取中国沈阳某三甲医院的349名医护人员，采用随机森林分类器(RFC)结合合成少数类过采样技术(SMOTE)，构建了抑郁和焦虑的预测模型。研究通过患者健康问卷(PHQ-9)和广泛性焦虑量表(GAD-7)评估心理健康状况，从个体、人际和机构三个层面筛选预测因子，并利用SHAP值解释模型特征重要性。

关键技术方法包括：1)采用分层随机抽样获取349名医护人员样本；2)使用SMOTE技术解决PHQ-9≥10和GAD-7≥5的类别不平衡问题；3)应用GridSearchCV优化RFC参数；4)通过10折交叉验证评估模型性能；5)利用SHAP值进行特征重要性分析。

研究结果：

1. 参与者特征：样本平均年龄32.55岁，女性占80.81%，抑郁和焦虑患病率分别为28.37%和33.52%。医护人员平均每周工作6-8小时者占57.02%，职业倦怠(MBI-HSS)平均得分达63.68±15.72。

2. 预测模型性能：抑郁模型的AUC为0.88，敏感性和特异性分别为0.84和0.83；焦虑模型AUC为0.72，敏感性达0.88但特异性仅0.51。10折交叉验证均值显示抑郁模型0.77，焦虑模型0.79。

3. 关键预测因子：抑郁模型前十位因子依次为职业倦怠、心理弹性、情感劳动、适应能力、工作年限(<1年)、医师身份、社会支持、上周平均工时(9-11小时)、年龄(28-30岁和31-35岁)。焦虑模型则以职业倦害、适应能力、情感劳动、年龄(31-35岁)和工时(9-11小时)为主要预测因素。

讨论与结论：

该研究首次将SMOTE技术应用于医护人员心理健康预测，有效解决了医学领域常见的数据不平衡问题。模型识别出三大干预靶点：1)机构层面需重点改善职业倦怠和工作时长；2)个体层面应增强心理弹性(CD-RISC)和适应能力(WLASH)；3)人际层面需优化社会支持(PSSS)和情感劳动(ELS)管理。值得注意的是，与传统认知不同，"前线身份"未被纳入关键预测因子，提示心理危机具有普遍性，干预措施应覆盖全体医护人员。

研究创新性地建立了适用于小样本不平衡数据的预测框架，为公共卫生危机下的心理健康筛查提供了可推广的方案。但存在横断面设计、单中心采样等局限，未来需通过多中心纵向研究进一步验证。该成果对制定分级心理干预策略具有重要指导价值，特别为发展中国家在资源有限条件下实施精准心理防护提供了方法论参考。