Latent profiles of workplace violence exposure and predictive modeling of sleep disorders among emergency department nurses: A nationwide cross-sectional study.
پخش حرفهای فارسی و انگلیسی
در حال بررسی نسخههای صوتی ذخیرهشده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده میشود معمولاً طبیعیترند. انتخاب صدا به صداهای نصبشده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
Workplace violence and sleep disorders are common among emergency department (ED) nurses, yet heterogeneity in violence exposure and its relationship with sleep disorders remains poorly understood. This nationwide cross-sectional study included 1540 Chinese ED nurses. Latent profile analysis identified violence exposure patterns, while LASSO, 7 machine learning algorithms, and SHAP were used for sleep disorder prediction and model interpretation. Three violence profiles were identified: low-level (87.0%), moderate multi-form (10.3%), and high multi-form exposure (2.7%). Sleep disorders affected 59.3% of participants. Random forest showed the highest predictive performance (ROC AUC = 0.624). SHAP analysis showed greater predictive contributions from emotional exhaustion, cynicism, and occupational characteristics than from violence exposure profiles. Workplace violence exposure among ED nurses was heterogeneous. Burnout-related and occupational characteristics provided stronger predictive information for sleep disorder status than violence profiles. External validation and longitudinal studies are needed to assess generalizability and temporal relationships.
نتیجه فارسی
این مطالعه توصیفی مقطعی سراسری با هدف شناسایی الگوهای مواجهه با خشونت در محل کار و پیشبینی اختلالات خواب در پرستاران بخش اورژانس انجام شد. تحلیل پروفایل پنهان سه الگو را شناسایی کرد و الگوریتمهای یادگیری ماشین برای پیشبینی استفاده شدند. نتایج نشان داد که فرسودگی شغلی و ویژگیهای شغلی اطلاعات پیشبینی قویتری نسبت به نوع مواجهه با خشونت ارائه میدهند.
- سه پروفایل مواجهه با خشونت شناسایی شد: سطح پایین، چندشکلی متوسط و چندشکلی بالا.
- اختلالات خواب در ۵۹.۳٪ از شرکتکنندگان مشاهده شد.
- جنگل تصادفی بالاترین عملکرد پیشبینی را با ROC AUC = ۰.۶۲۴ نشان داد.
- ویژگیهای شغلی و فرسودگی شغلی سهم پیشبینی بیشتری نسبت به پروفایلهای خشونت داشتند.
- مطالعات طولی برای درک روابط زمانی مورد نیاز است.
ترجمه فارسی چکیده
مواجهه با خشونت در محل کار و اختلالات خواب در پرستاران بخش اورژانس (ED) شایع است، اما ناهمگونی در مواجهه با خشونت و رابطه آن با اختلالات خواب هنوز به خوبی درک نشده است. این مطالعه توصیفی مقطعی سراسری شامل ۱۵۴۰ پرستار بخش اورژانس چینی بود. تحلیل پروفایل پنهان الگوهای مواجهه با خشونت را شناسایی کرد، در حالی که LASSO، ۷ الگوریتم یادگیری ماشین و SHAP برای پیشبینی و تفسیر مدل اختلالات خواب استفاده شدند. سه پروفایل خشونت شناسایی شد: سطح پایین (۸۷.۰٪)، چندشکلی متوسط (۱۰.۳٪) و مواجهه چندشکلی بالا (۲.۷٪). اختلالات خواب بر ۵۹.۳٪ از شرکتکنندگان تأثیر گذاشت. جنگل تصادفی بالاترین عملکرد پیشبینی را نشان داد (ROC AUC = ۰.۶۲۴). تحلیل SHAP نشان داد که سهم پیشبینی بیشتری از فرسودگی شغلی، بدبینی و ویژگیهای شغلی نسبت به پروفایلهای مواجهه با خشونت داشت. مواجهه با خشونت در محل کار در پرستاران بخش اورژانس ناهمگون بود. ویژگیهای مرتبط با فرسودگی شغلی و ویژگیهای شغلی اطلاعات پیشبینی قویتری برای وضعیت اختلالات خواب نسبت به پروفایلهای خشونت ارائه دادند. اعتبارسنجی خارجی و مطالعات طولی برای ارزیابی تعمیمپذیری و روابط زمانی مورد نیاز است.
روش پژوهش
این مطالعه یک مطالعه توصیفی مقطعی سراسری با استفاده از تحلیل پروفایل پنهان و الگوریتمهای یادگیری ماشین (LASSO و ۷ الگوریتم دیگر) برای پیشبینی اختلالات خواب بود.
محدودیتها
این مطالعه یک مطالعه مقطعی است و نمیتواند روابط علی و معلولی را اثبات کند. اعتبارسنجی خارجی و مطالعات طولی برای ارزیابی تعمیمپذیری و روابط زمانی مورد نیاز است.
نمای PICO و پیامدها
- جمعیت
- ۱۵۴۰ پرستار بخش اورژانس چینی
- مداخله/مواجهه
- تحلیل پروفایل پنهان برای شناسایی الگوهای مواجهه با خشونت و استفاده از الگوریتمهای یادگیری ماشین برای پیشبینی اختلالات خواب
- مقایسه
- نوع مواجهه با خشونت (پروفایلهای شناسایی شده)
متن کامل اصلی
لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز میشود.
باز کردن متن کامل