用机器学习算法预测长沙消防员患创伤后应激障碍的风险

作者：邓傲骞; 杨燕贻; 李云静; 黄梅; 李亮; 陆怡梅; 陈文涛; 袁睿; 鞠玉朦^*; 刘帮杉^*; 张燕

来源：中南大学学报(医学版), 2023, 48(01): 84-91.

• 消防员
• 创伤后应激障碍
• 机器学习算法
• 预测因素

目的：消防员极易发生职业心理创伤和创伤后应激障碍(post-traumatic stress disorder,PTSD)，且患PTSD后的预后较差。预测PTSD的可靠模型可对早期PTSD患者进行有效识别。本研究通过收集消防员的心理特质、心理状态和工作情况，旨在开发一种机器学习算法，以期有效和准确地识别消防员PTSD的发病情况，同时探索PTSD发病的一些重要预测因子。方法：通过方便抽样对长沙市的6个区和长沙县20个消防队的628名消防员进行问卷调查。收集长沙市消防员的人口学资料、工作情况、身体状况、心理弹性量表和反刍思维量表评分等，采用合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)来处理数据集，使用网格搜索进行超参数调优。通过5折交叉验证，并采用受试者操作特征(receiver operator characteristic,ROC)的曲线下面积(area under the curve,AUC)、准确度、精确率、召回率和F1分数比较多种常用机器学习模型的预测能力。结果：随机森林模型在预测PTSD方面具有较高的预测能力。随机森林模型平均AUC为0.790，模型的平均精确率为90.1%,F1分数为0.945。权重最大的3个预测因素为坚韧性、强迫思考和反省深思，权重分别为0.165、0.158和0.152。其次为从业时间、力量性和乐观性。结论：通过随机森林构建的长沙消防员患PTSD预测模型具有较强的预测能力，心理特征和工作情况是消防员患PTSD风险的预测因子。但需要使用其他大型数据集进行验证，以确保预测模型能够用于临床实践。

• 单位
  中南大学湘雅二医院