多模态计算分析在医护人员远程应激叙事纵向应激画像区分中的有效性评估

《npj Digital Medicine》：Multimodal computational analysis of longitudinal stress profiles in healthcare workers

　　

摘要

医护人员面临较高的职业倦怠及应激相关障碍风险，然而传统的自评量表受限于职业污名化和报告不足等问题。本研究评估了基于多模态计算分析对简短的远程采集应激叙事进行纵向应激画像区分的有效性。在一项为期六周的前瞻性队列研究中，共邀请N = 750名医护人员每周提供描述近期应激经历的自然叙事及焦虑、抑郁、倦怠和主观痛苦的重复测量数据。在553名具有足够重复自评数据的参与者中，多元纵向聚类分析识别出两种不同的画像类型：韧性型（n = 295）和脆弱型（n = 258）。研究团队从录音中提取了语言、声学和面部表情嵌入向量，并通过层次化多模态Transformer进行整合。在保留的测试集中，模型达到了0.75的AUROC，优于单模态（语言嵌入；AUROC = 0.63）和双模态（语言 + 声学；AUROC = 0.70）配置。这些发现为多模态嵌入向量与职业应激画像之间的关联提供了概念验证，表明该方法可潜在地补充传统评估手段并为针对性预防策略提供信息支持。