یادگیری ماشین نشانه‌های هشداردهنده خستگی ناشی از همدلی را در پرستاران روان‌پزشکی شناسایی کرد
پرستاران بخش‌های روان‌پزشکی در طول زندگی حرفه‌ای خود پیوسته با بحران‌های عاطفی و روانی دیگران روبه‌رو هستند و بار سنگین این تجربه‌ها به‌تدریج می‌تواند توانایی آن‌ها را برای مراقبت از بیماران تحلیل ببرد. پژوهشی تازه در چین با بهره‌گیری از یادگیری ماشین بررسی کرده است که کدام عوامل قابل‌اندازه‌گیری بهتر می‌توانند نشان دهند این فرسودگی، که «خستگی ناشی از همدلی» نام دارد، چه زمانی از آستانه بالینی عبور کرده است. این پژوهش که به سرپرستی چی لی و بینگنان دو از دانشگاه پزشکی چین در نشریه BMC Nursing منتشر شده، یکی از نمونه‌های روشمند و محتاطانه کاربرد الگوریتم‌های پیش‌بینی در بررسی مشکلات سلامت شغلی پرستاران به شمار می‌رود. یافته‌های آن نیز می‌تواند پیامدهایی بسیار فراتر از چهار بیمارستان روان‌پزشکی محل گردآوری داده‌ها داشته باشد.
خستگی ناشی از همدلی به وضعیتی گفته می‌شود که در آن، مراقبان سلامت بر اثر مواجهه مکرر با آسیب‌های روانی دیگران دچار ترکیبی از فرسودگی عاطفی، فاصله‌گیری از بیماران و کاهش احساس موفقیت و اثربخشی در کار می‌شوند. این وضعیت برای پرستاران روان‌پزشکی، که ممکن است هر روز با بیمارانی دارای رفتارهای خودآسیب‌رسان، روان‌پریشی، پرخاشگری یا افکار خودکشی سروکار داشته باشند، یکی از خطرات جدی شغلی شناخته می‌شود. خستگی ناشی از همدلی با غیبت از کار، ترک شغل، افت کیفیت مراقبت و در موارد شدید، فروپاشی سلامت روان ارتباط دارد. بااین‌حال، تشخیص افرادی که واقعاً در معرض خطر بالایی قرار دارند همچنان دشوار بوده است؛ زیرا این وضعیت از برهم‌کنش پیچیده عوامل جمعیت‌شناختی، روان‌شناختی و محیط کار شکل می‌گیرد و مدل‌های آماری سنتی در شناسایی این روابط پیچیده محدودیت دارند.
پژوهشگران ۶۰۷ پرستار روان‌پزشکی را از چهار بیمارستان تخصصی در شمال شرقی چین وارد مطالعه کردند و نرخ پاسخ‌دهی معتبر به ۹۴٫۱۰ درصد رسید. هر شرکت‌کننده مجموعه‌ای از پرسش‌نامه‌های معتبر و استاندارد را تکمیل کرد. معیار اصلی ارزیابی نیز عبور از آستانه تعیین‌شده در یک پرسش‌نامه شناخته‌شده بود که وجود خستگی ناشی از همدلی در زمان بررسی را نشان می‌داد. بر اساس این تعریف، ۴۹۵ نفر از ۶۰۷ پرستار، معادل ۸۱٫۵۵ درصد، واجد معیارهای این وضعیت بودند. این شیوع چشمگیر نشان می‌دهد که مشکل تا چه اندازه در میان این گروه تخصصی از کارکنان سلامت گسترده است. سپس داده‌ها به دو مجموعه تقسیم شدند: مجموعه آموزش شامل ۴۲۴ پرستار و مجموعه آزمون مستقل شامل ۱۸۳ پرستار. تقسیم داده‌ها به‌گونه‌ای انجام شد که اطلاعات مربوط به هر بیمارستان در هر دو مجموعه قرار نگیرد و از نشت اطلاعات میان مجموعه آموزش و آزمون جلوگیری شود.
یکی از ویژگی‌های فنی مهم این پژوهش، تأکید بر پایداری ویژگی‌های انتخاب‌شده برای مدل بود. در بسیاری از مطالعات یادگیری ماشین در حوزه سلامت، متغیرهایی که مهم به نظر می‌رسند ممکن است بر اثر تفاوت‌های تصادفی نمونه‌ها به‌شدت تغییر کنند. پژوهشگران برای مقابله با این مشکل از سه روش مستقل انتخاب ویژگی استفاده کردند: الگوریتم بوروتا (Boruta) که اهمیت هر متغیر را با نسخه‌های تصادفی و درهم‌ریخته همان متغیر مقایسه می‌کند؛ رگرسیون LASSO همراه با اعتبارسنجی متقاطع که ضرایب متغیرهای فاقد اطلاعات مفید را به صفر کاهش می‌دهد؛ و رگرسیون پس‌رونده گروهی که در هر مرحله ضعیف‌ترین عوامل پیش‌بینی‌کننده را حذف می‌کند. این فرایندها روی ۵۰ بازنمونه‌گیری از داده‌ها اجرا شدند و در هر بار، اعتبارسنجی متقاطع پنج‌بخشی طبقه‌بندی‌شده با ۱۰ تکرار به کار رفت. تنها متغیرهایی حفظ شدند که دست‌کم دو روش از سه روش انتخاب ویژگی، آن‌ها را در حداقل ۷۰ درصد بازنمونه‌گیری‌ها برگزیده بودند. این غربالگری سخت‌گیرانه در نهایت فقط پنج شاخص را باقی گذاشت: فشار روانی ادراک‌شده، سن، هویت حرفه‌ای، افسردگی و میزان فعالیت بدنی در یک سال گذشته.
پژوهشگران پس از شناسایی این پنج ویژگی پایدار، ۱۱ الگوریتم مختلف یادگیری ماشین را تنظیم و با یکدیگر مقایسه کردند. عملکرد هر الگوریتم با استفاده از پیش‌بینی‌های خارج از بخش آموزش در اعتبارسنجی متقاطع پنج‌بخشی و بر اساس شرایط تعیین‌شده ارزیابی شد. در نهایت، الگوریتم ماشین بردار پشتیبان (Support Vector Machine) بهترین عملکرد را نشان داد. این الگوریتم کلاسیک، مرز بهینه‌ای را برای تفکیک دو گروه در فضایی چندبعدی پیدا می‌کند. بااین‌حال، نویسندگان تأکید کرده‌اند که مرحله انتخاب مدل ماهیتی اکتشافی داشته و نتیجه آن نباید قطعی تلقی شود. پس از نهایی‌شدن مدل و تثبیت تنظیمات آن، عملکرد ماشین بردار پشتیبان روی مجموعه آزمون شامل ۱۸۳ پرستار ارزیابی شد؛ داده‌هایی که مدل پیش‌تر هرگز ندیده بود. مساحت زیر منحنی مشخصه عملکرد گیرنده یا AUC در این آزمون به ۰٫۸۳۰ رسید و فاصله اطمینان ۹۵ درصد آن بین ۰٫۷۴۱ تا ۰٫۹۰۷ بود. از نظر عملی، مقدار AUC برابر با ۰٫۸۳۰ به این معناست که اگر یک پرستار دارای خستگی ناشی از همدلی بر اساس معیار پرسش‌نامه و یک پرستار فاقد این وضعیت به‌صورت تصادفی انتخاب شوند، مدل در حدود ۸۳ درصد موارد می‌تواند آن‌ها را به‌درستی از یکدیگر متمایز کند. چنین سطحی از عملکرد معمولاً برای اهداف غربالگری مفید ارزیابی می‌شود.
سایر شاخص‌های عملکرد مدل، هم ظرفیت‌های امیدوارکننده این رویکرد و هم محدودیت‌های آن را آشکار کردند. دقت متوازن مدل ۰٫۷۰۳، حساسیت آن ۰٫۷۰۶ و ویژگی آن ۰٫۷۰۰ بود. به بیان ساده، مدل توانست تقریباً هفت نفر از هر ۱۰ فرد واقعاً مبتلا را شناسایی کند و در عین حال، حدود هفت نفر از هر ۱۰ فرد فاقد این وضعیت را نیز به‌درستی در گروه غیرمبتلا قرار دهد. ارزش اخباری مثبت مدل به ۰٫۹۲۳ رسید که رقم بالایی است، اما این نتیجه تا حد زیادی از شیوع بسیار زیاد خستگی ناشی از همدلی در جمعیت مورد بررسی تأثیر می‌پذیرد. در مقابل، ارزش اخباری منفی فقط ۰٫۳۱۸ بود؛ بنابراین، پیش‌بینی خطر پایین از سوی مدل نباید به‌منزله اطمینان از نبود مشکل تلقی شود. امتیاز بریر (Brier) نیز ۰٫۱۳۴ به دست آمد که تنها اندکی بهتر از امتیاز مرجع ۰٫۱۳۸ برای یک پیش‌بینی ساده مبتنی بر میزان شیوع بود. همچنین، شیب کالیبراسیون ۰٫۷۸۴ و عرض از مبدأ آن ۱٫۴۹۱ محاسبه شد. این ارقام نشان می‌دهند که احتمال‌های پیش‌بینی‌شده توسط مدل کاملاً با نتایج مشاهده‌شده انطباق نداشتند. پژوهشگران برای سنجش میزان عدم قطعیت تمامی این برآوردها از ۲۰۰۰ بازنمونه‌گیری بوت‌استرپ استفاده کردند؛ سطحی از شفافیت آماری که هنوز در پژوهش‌های سلامت مبتنی بر یادگیری ماشین چندان رایج نیست.
پژوهشگران برای آنکه مدل به یک جعبه سیاه غیرقابل‌تفسیر تبدیل نشود، از روش SHAP، مخفف SHapley Additive exPlanations، استفاده کردند. این روش که از نظریه بازی‌های مشارکتی الهام گرفته شده است، سهم هر ویژگی را در هر پیش‌بینی فردی محاسبه می‌کند. تحلیل SHAP نقش محوری پنج شاخص پایدار را تأیید کرد و نشان داد که هرکدام چگونه می‌توانند احتمال قرارگرفتن یک پرستار در گروه پرخطر را افزایش یا کاهش دهند. همان‌طور که انتظار می‌رفت، فشار روانی ادراک‌شده مهم‌ترین عامل اثرگذار بود و افسردگی نیز نقش قابل‌توجهی در تشدید خطر داشت. در مقابل، هویت حرفه‌ای، یعنی احساس معنا و افتخاری که پرستار از حرفه خود به دست می‌آورد، به‌عنوان عاملی محافظتی ظاهر شد. فعالیت بدنی منظم در طول یک سال گذشته نیز پیش‌بینی‌ها را به سمت خطر کمتر سوق می‌داد. سن هم در نتایج نقش داشت؛ نقشی که احتمالاً بازتاب تفاوت در میزان مواجهه انباشته با فشارهای شغلی و مراحل مختلف مسیر حرفه‌ای پرستاران است.
شاید یکی از هشداردهنده‌ترین یافته‌های این مقاله به تغییر نتایج در صورت استفاده از تعریف‌های متفاوت برای پیامد مورد بررسی مربوط باشد. پژوهشگران شیوه‌های عملیاتی مختلفی را برای تعریف خستگی ناشی از همدلی آزمایش کردند و دریافتند که انتخاب تعریف، هم بر مدل‌های انتخاب‌شده و هم بر شاخص‌های عملکرد اثر می‌گذارد. در این بررسی‌ها، مقدار AUC در مجموعه آزمون بین ۰٫۸۱۷ تا ۰٫۹۲۷ متغیر بود. این وابستگی به تعریف پیامد، هشداری مهم برای پژوهشگران این حوزه است: مدلی که بر اساس یک آستانه مشخص در پرسش‌نامه عملکردی عالی دارد، ممکن است با تغییر آن آستانه رفتاری کاملاً متفاوت نشان دهد. در نتیجه، ارقام گزارش‌شده درباره عملکرد مدل تنها در چارچوب تعریف مورد استفاده برای سنجش پیامد معنا پیدا می‌کنند. نویسندگان همچنین یادآور شده‌اند که مطالعه آن‌ها از نوع مقطعی است؛ یعنی داده‌ها تنها وضعیت شرکت‌کنندگان را در یک مقطع زمانی نشان می‌دهند. بنابراین، مدل می‌تواند مشخص کند چه افرادی در زمان بررسی واجد معیارهای خستگی ناشی از همدلی هستند، اما قادر نیست خطر ابتلای آینده را پیش‌بینی کند یا عوامل علّی بروز این وضعیت را تعیین کند. افزون بر این، فرایند انتخاب مدل نیز ماهیتی اکتشافی داشته است.
با وجود این محدودیت‌ها، یافته‌های پژوهش فرصت‌های مشخصی را برای بهبود سلامت شغلی کارکنان نشان می‌دهند. فشار روانی ادراک‌شده، افسردگی، هویت حرفه‌ای و فعالیت بدنی همگی عواملی هستند که به‌طور بالقوه می‌توان آن‌ها را تغییر داد و به همین دلیل، گزینه‌های مناسبی برای مداخلات حمایتی محسوب می‌شوند. مدیران بیمارستان‌ها می‌توانند با ارزیابی کوتاه این پنج شاخص، کارکنان را بر اساس میزان خطر دسته‌بندی کنند و برای افرادی که در معرض خطر بیشتری قرار دارند، حمایت روان‌شناختی، آموزش تاب‌آوری، تعدیل حجم کار یا برنامه‌های ورزشی در نظر بگیرند. به این ترتیب، منابع حمایتی فشرده‌تر می‌تواند به کارکنانی اختصاص یابد که بیشترین نیاز را دارند. بااین‌حال، نویسندگان تأکید می‌کنند که پیش از هرگونه استفاده عملی، اعتبارسنجی مدل در سطح بیمارستان‌های مختلف و انجام مطالعات آینده‌نگر ضروری است؛ زیرا مدلی که با داده‌های ۶۰۷ پرستار در شمال شرقی چین آموزش دیده، ممکن است در مناطق دیگر، انواع متفاوت بیمارستان‌ها یا نظام‌های سلامت سایر کشورها عملکرد مشابهی نداشته باشد.
اهمیت گسترده‌تر این پژوهش در انضباط روش‌شناختی آن نهفته است. ترکیب چند روش انتخاب ویژگی، تقسیم داده‌ها با حفظ استقلال بیمارستان‌ها، برآورد عدم قطعیت از طریق بوت‌استرپ، ارزیابی کالیبراسیون و تحلیل حساسیت آشکار نسبت به تعریف پیامد، نمونه‌ای از دقت علمی موردنیاز در پژوهش‌های پیش‌بینی‌کننده حوزه سلامت را ارائه می‌دهد؛ دقتی که این حوزه به‌شدت به آن نیاز دارد. این مطالعه همچنین یادآور واقعیت انسانی نهفته در پس اعداد و شاخص‌های آماری است. پشت مقادیر AUC و SHAP، صدها پرستار قرار دارند که از برخی از آسیب‌پذیرترین بیماران نظام درمان مراقبت می‌کنند؛ پرستارانی که بیش از چهار نفر از هر پنج نفرشان هم‌اکنون بار خستگی ناشی از همدلی را به دوش می‌کشند. اگر یادگیری ماشین تفسیرپذیر بتواند به بیمارستان‌ها کمک کند این فشار را زودتر تشخیص دهند و برای کاهش آن اقدام کنند، الگوریتم‌ها کاری فراتر از طبقه‌بندی داده‌ها انجام داده‌اند: آن‌ها به حفاظت از سلامت کسانی کمک کرده‌اند که وظیفه مراقبت از افراد مبتلا به اختلالات روانی را بر عهده دارند.
موضوع پژوهش: شناسایی شاخص‌های خستگی ناشی از همدلی در پرستاران روان‌پزشکی چین با استفاده از یادگیری ماشین
عنوان مقاله علمی: شناسایی شاخص‌های خستگی ناشی از همدلی در پرستاران روان‌پزشکی چین: رویکردی مبتنی بر یادگیری ماشین با تفسیر SHAP
منبع علمی مقاله: Li, Q., Du, B., Yao, M., Wu, Y., Shang, B., Zhang, K., Liu, X., Liu, S., Li, X., Wei, D., Zhang, Y., & Wu, H. (2026). Identifying compassion fatigue indicators in Chinese psychiatric nurses: a machine learning approach with SHAP interpretation. BMC Nursing. https://doi.org/10.1186/s12912-026-05392-3
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1186/s12912-026-05392-3
کلیدواژه‌ها: خستگی ناشی از همدلی، یادگیری ماشین، پرستاران روان‌پزشکی، SHAP، پایداری ویژگی‌ها، سلامت شغلی، افسردگی، هویت حرفه‌ای، ماشین بردار پشتیبان، مطالعه مقطعی، طبقه‌بندی بر اساس میزان خطر، پرستاری
منبع خبر: گلن ویلکینز، ۱۵ اکتبر ۲۰۲۶، «یادگیری ماشین نشانه‌های هشداردهنده خستگی ناشی از همدلی را در پرستاران روان‌پزشکی شناسایی کرد»، سایِنمگ (Scienmag).