PubMed دسترسی آزاد

Latent profiles of workplace violence exposure and predictive modeling of sleep disorders among emergency department nurses: A nationwide cross-sectional study.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
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.

استخراج ساختاریافته از متن منبع

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

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

emergency nurseslatent profile analysismachine learningsleep disordersworkplace violence
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2026

Real-world pharmacoclinical implementation of risdiplam under a national SMA protocol: A hospital pharmacy registry-based case series.

BACKGROUND: Spinal muscular atrophy (SMA) is a rare neuromuscular disorder treated with disease-modifying therapies such as risdiplam. In Spain, its use is regulated by a national pharmacoclinical protocol that requires structured monitoring. OBJECTIVES: To evaluate real-world use, protocol adherence and registry completeness of risdiplam in routine clinical practice. METHODS: A retrospective registry-based case series was conducted in…

PubMed2026

The Application of Nurse-Led Bedside Critical Care Ultrasound in Paediatric and Neonatal Nursing Practice: A Scoping Review.

BACKGROUND: Point-of-care ultrasound (POCUS) is increasingly used in paediatric and neonatal critical care, but evidence on nurse-led bedside POCUS remains limited and fragmented. AIMS: This scoping review aimed to map the evidence on nurse-led bedside POCUS in paediatric and neonatal critical care nursing practice, examine implementation factors and identify evidence gaps relevant to nursing research, education and clinical practice. …

PubMed2026

[Advances in early bedside etiological diagnosis of severe pneumonia].

The case fatality rate of severe pneumonia remains high, early and accurate etiological diagnosis is a prerequisite for precision antimicrobial therapy. Conventional culture techniques are limited by long turnaround times and low positivity rates. In recent years, novel detection systems such as microbiological rapid on-site evaluation(M-ROSE), point-of-care immunoloassays, multiplex PCR, and metagenomic sequencing have advanced rapidl…

PubMed2026

Factors associated with persistent high use of emergency departments: a nationwide retrospective cohort study.

OBJECTIVES: To identify patient and attendance characteristics that predict persistent high use of emergency departments (EDs) in England and to quantify the relationship between these factors and the duration an individual remains a high user. DESIGN: Nationwide retrospective cohort study using a Cox proportional hazards model with random effects. SETTING: EDs across England, using linked national healthcare datasets including hospita…