简介:【摘 要】:目的 分析骨科护士心理状态,了解相关影响因素,并在基于机器学习构建骨科护士心理状态预测模型。方法 选取2021年6月某市8所医院的168名骨科护士为研究对象,以症状自评量表(SCL-90)调查骨科护士心理状态,经单因素、多因素Logistic回归分析筛选出预测因子,基于机器学习应用支持向量机(RBF-SVM)、Logistic回归、线性判别式分析(LDA)三种分类器构建预测骨科护士心理状态模型,比较三种模型预测价值。结果 骨科护士SCL-90平均分(125.43±24.19)分,其中67例筛选为阳性,存在心理问题。经单因素、多因素分析证实护龄、社会支持程度、工作成就感、自我效能感为骨科护士心理状态独立影响因素(P<0.05)。基于机器学习,应用RBF-SVM构建的骨科护士心理状态预测模型预测价值最高,优于Logistic回归、LDA。结论 骨科护士心理状态影响因素众多,护龄、社会支持程度、工作成就感、自我效能感为主要影响因素,基于机器学习以RBF-SVM构建预测模型能够较为准确的识别心理状态不佳的护士。
简介:摘要:国民的用电情况有季节性,对于总用电量的需求影响很大,又因为国民用电比较集中,是形成日最大电力需求的主要成分,因此,在新的供用电形势下,开展对居民夏季用电需求的分析与研究,显得尤为重要。
简介:摘要目的了解护士的心理健康状态,并探讨一般资料、应对方式、社会支持及工作适应障碍水平对护士心理健康状态的影响,初步构建临床护士心理健康状况的预测模型。方法采用便利抽样法,选取2020年2月某市2家医院的374名临床护士作为研究对象。采用一般资料自制问卷、症状自评量表(SCL-90)、应对方式问卷、社会支持评定量表、工作适应障碍量表进行调查。将心理健康状况作为二分类资料处理,并利用神经网络中的多层感知器构建临床护士心理健康状况的预测模型,同时对该模型进行验证和分析。结果374名临床护士的SCL-90得分为(123.06±41.70)分,应对方式问卷得分为(27.90±12.14)分,社会支持评定量表得分为(38.84±8.46)分,工作适应障碍量表得分为(9.72±6.35)分。相关性分析结果显示,工作年限、自责、幻想、退避、合理化、工作适应障碍得分与心理健康状况得分呈正相关(P<0.05);是否为编制、解决问题、求助、主观支持、支持利用度与心理健康状况呈负相关(P<0.05)。将以上与心理健康状况相关的变量纳入预测模型中,将374名样本分为训练样本(177名)、检验样本(81名)和坚持样本(116名)。结果显示,训练、检验和坚持样本的建模准确率分别为79.7%、86.4%和81.0%,ROC曲线下面积为0.810。预测模型中正态化重要性为100%的变量为工作适应障碍。结论本研究构建的临床护士心理健康状况预测模型的准确率较好,且神经网络模型的应用较简单,可作为评估临床护士心理健康状况的有效方法。