急性精神科病房隔离与身体约束的驱动因素：基于机器学习的情境与干预特征分析

本综述基于机器学习算法（Boruta和随机森林RF），深入分析了澳大利亚某地区成人急性精神科病房的917次护士降级事件记录，揭示了隔离（SEC）与身体约束（RES）的关键驱动因素。研究发现，高观察区域（HOA）事件、降级前情境攻击水平（PRD）、针对护士的冲突（AT08）及言语降级（DEU）等技术是预测限制性实践的核心情境与干预特征（非个体因素）。该研究为减少精神卫生服务中的强制措施（如SEC和RES）提供了数据驱动的干预靶点，推动了去污名化和去机构化护理改革。

　　

研究背景与意义

隔离（seclusion, SEC）和身体约束（physical restraint, RES）作为精神科治疗中的限制性实践（restrictive practices），虽被严格监管并视为最后手段，但其使用仍与人身权利受损、身体伤害及创伤性体验密切相关。尽管全球范围内持续呼吁减少此类实践，但其驱动因素尤其是非个体层面的情境与干预特征仍不明确。传统研究多聚焦于患者的人口学、 dispositional及诊断因素，而忽略了护理互动中的动态要素。本研究通过机器学习方法，系统性分析了护士降级（de-escalation）记录中的23个情境与干预特征，旨在揭示SEC和RES的核心驱动因素，为减少强制措施提供实证基础。

研究设计与方法

本研究采用单中心回顾性特征分析（feature analysis），数据来源于2019年1月至2020年3月期间澳大利亚某地区公立教学医院成人急性精神科病房的护士降级日志。共纳入249天内的917条日常聚合记录（每日事件汇总为单条记录），排除了新冠疫情爆发后的数据以规避混杂因素。变量涵盖四大领域：事件细节（如高观察区域HOA、低观察区域LOA）、冲突指向（如自我指向、人际冲突）、护理干预（如言语降级DEU、分心与重定向IN04、感官调节）以及降级前情境攻击水平（PRD，按6点量表评估）。

数据分析结合了双变量统计（卡方检验、t检验、Mann-Whitney-Wilcoxon检验）与监督机器学习。特征选择采用Boruta算法（基于随机森林框架），以识别重要变量；预测建模则使用随机森林（RF）回归模型（因变量为每日SEC或RES事件数）。模型通过网格搜索和4折交叉验证进行超参数优化（如ntree和mtry），并以R²、RMSE、MSE和MAE评估性能。变量重要性以%IncMSE（均方误差增加百分比）度量。

主要发现

双变量分析显示，高观察区域（HOA）事件与SEC和RES均显著相关（SEC: χ²=11.01, p<0.001; RES: χ²=8.21, p=0.004）。针对护士及其他人的冲突（AT06）与SEC事件相关（χ²=10.47, p=0.001），而分心与重定向（IN04）与RES相关（χ²=7.13, p=0.008）。降级前情境攻击水平（PRD）在RES组中显著更高（W=3536.5, p=0.003）。

Boruta算法确认了SEC的5个重要驱动因素：HOA、LOA、针对护士的冲突（AT08）、言语降级（DEU）和PRD；RES的6个驱动因素：HOA、目标未指定事件、AT08、DEU、IN04和PRD。

随机森林模型进一步揭示了变量重要性排序：

• •

  SEC：HOA（最重要）> LOA > AT08 > DEU > PRD

• •

  RES：PRD（最重要）> AT08 > DEU > HOA > IN04 > AT03

  模型性能方面，RES模型经超参数调优后表现提升（R²从0.2910升至0.3295，误差指标降低），而SEC模型改进有限（R²从0.1064降至0.0879），反映出SEC事件的低频变异性挑战。

讨论与机制阐释

高观察区域（HOA）的核心作用：HOA作为SEC的首要驱动因素和RES的关键预测因子，凸显了环境配置与密集监测对强制实践的促发作用。这类单元通常封闭、高密度配备人员且涉及高非自愿入院率，其固有限制性可能加剧患者 distress，形成“限制- aggression- 限制”的循环。这与丹麦研究（Danielsen et al., 2019）中机械约束风险集中于入院早期阶段的发现一致，且与南澳大利亚审计（Oster et al., 2016）中高依赖单元高 containment rates 的结论吻合。环境而非个体特征的突出地位，呼吁对“谁监管监管者”这一系统性问题的反思（Crimmins, 2017）。

情境攻击水平（PRD）的预测价值：PRD作为RES的 top driver，强调了护士对即时攻击性的推理与评估（如通过6点量表基于外部线索）在预测约束中的关键角色。这补充了精神科护士感知潜在伤害的有限知识库（Conlon et al., 2023），并支持将安全与伤害视为多维连续体（Ogloff & Daffern, 2006），而非二元事件。与丹麦研究使用Br?set暴力 Checklist（BVC）未进入前10预测因子的差异，提示特征效用依赖于其与整体特征集的交互及语境。

冲突指向护士（AT08/AT06）的干预意义：针对护士的冲突（AT08）在SEC和RES模型中均重要，而针对护士及他人（AT06）与SEC统计相关，表明 staff-directed aggression 是 coercive containment 的强力线索。这与瑞士法医研究（Günther et al., 2020）中实际暴力与威胁为最强预测因子的结论一致，且与 involuntary hospitalization 关联暴力的事件链吻合。机制上，这可能源于护士在权威受威胁时恢复控制的急迫性，尤其在缺乏最优非强制替代方案时（Bennetts et al., 2024）。需注意的是，精神科护士普遍对执行限制性实践存在道德困境（Lamoureux et al., 2024），并倡导通过 staffing、技能培训及非强制干预空间（Mubayiwa et al., 2024）来避免其使用。

降级技术（DEU/IN04）的复杂角色：言语降级（DEU）和分心与重定向（IN04）作为重要驱动因素，可能反映其 proactive 减少 aggression 的作用（Price et al., 2024），但其有效性受个体与护士互动风格调节（Jalil et al., 2020）。在某些情况下， uniform 应用可能 inadvertently 升高愤怒并导致约束（Montreuil et al., 2018）。本研究通过 temporally ordered 记录避免反向因果，强化了这些技术的预测 interpretability。

未显着特征如感官调节和1:1 staff time，提示干预效果依赖于特定环境配置，非普适适用。

优势与局限性

本研究通过机器学习补足了传统统计在解析多特征复杂交互中的不足，尤其是将焦点从个体转向情境与干预因素，符合WHO/UN呼吁的去污名化服务方向。但模型性能（尤其SEC的低R²）受事件低频限制，需结合多误差指标解读。此外，研究结论基于单一地区语境，泛化性受限（Wu & Fukui, 2024），且日级聚合可能模糊事件级模式。Boruta和RF虽 robust against overfitting，但需外部验证方可临床推广。未纳入更广泛 routine 数据（如服务管理级别）也限定了驱动因素的全面性。

结论与展望

本特征分析表明，隔离与身体 restraint 由多维度情境与干预特征驱动，包括事件位置、护士对安全 continuum 的 judgement、降级技术及冲突指向。解决这些因素需采纳多模型视角，终极目标是 reorienting 精神卫生服务于全域安全解决方案。未来研究应整合更丰富数据源，并探索定性细节以深化机制理解。