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

Abstract

Objective

Firefighters are prone to suffer from psychological trauma and post‐traumatic stress disorder (PTSD) in the workplace, and have a poor prognosis after PTSD. Reliable models for predicting PTSD allow for effective identification and intervention for patients with early PTSD. By collecting the psychological traits, psychological states and work situations of firefighters, this study aims to develop a machine learning algorithm with the aim of effectively and accurately identifying the onset of PTSD in firefighters, as well as detecting some important predictors of PTSD onset.

Methods

This study conducted a cross-sectional survey through convenient sampling of firefighters from 20 fire brigades in Changsha, which were evenly distributed across 6 districts and Changsha County, with a total of 628 firefighters. We used the synthetic minority oversampling technique (SMOTE) to process data sets and used grid search to finish the parameter tuning. The predictive capability of several commonly used machine learning models was compared by 5-fold cross-validation and using the area under the receiver operating characteristic curve (ROC-AUC), accuracy, precision, recall, and F1 score.

Results

The random forest model achieved good performance in predicting PTSD with an average AUC score at 0.790. The mean accuracy of the model was 90.1%, with an F1 score of 0.945. The three most important predictors were perseverance, forced thinking, and reflective deep thinking, with weights of 0.165, 0.158, and 0.152, respectively. The next most important predictors were employment time, psychological power, and optimism.

Conclusion

PTSD onset prediction model for Changsha firefighters constructed by random forest has strong predictive ability, and both psychological characteristics and work situation can be used as predictors of PTSD onset risk for firefighters. In the next step of the study, validation using other large datasets is needed to ensure that the predictive models can be used in clinical setting.

消防员面临的危险事件具有复杂性、威胁性以及不可预见性。长期处于高风险的应激环境下，消防员极易出现创伤后应激障碍(post-traumatic stress disorder，PTSD)^[1-2]。PTSD是灾害引起的最常见的心理问题之一，是指由于经历、目击或面临异乎寻常的灾难性事件所导致的延迟出现或较为持久出现的心理生理障碍^[3]。消防员不仅对PTSD易感性高^[4]，患PTSD后预后也较差^[5-6]。由此可见，在消防员群体中识别和干预PTSD具有重要意义。

影响消防员罹患PTSD的因素众多，除了应激源自身的性质外，应激个体自身的特质(如反刍思维、心理弹性、应对方式等)也会影响其心理状态。研究表明^[7]：反刍思维是消防员PSTD的风险因子，心理一致感的人格特质、积极应对的情绪调节策略是其应激反应的保护因子。既往研究^[8]测试了反刍思维和社会支持对疑似具有PTSD风险的消防员的影响，结果显示创伤事件通过侵入式反刍来间接影响PTSD症状。心理弹性也是PTSD的保护因素，心理弹性高的个体在面对应激源时往往能采取积极的应对方式。心理弹性和思维方式可能是PTSD发生的重要预测因子。

机器学习是一种能够用来计算大量数据的算法和模型，被认为是人工智能的一种应用，通过学习已经存在的数据来改善模型性能，从而对数据进行预测或分类。在PTSD的相关研究中，采用机器学习算法探索消防员心理因素与PTSD之间关系的研究较少。本研究结合其他人口学因素构建消防员罹患PTSD的预测模型，旨在为PTSD的一级预防提供依据。

1. 对象与方法

1.1. 对象

本研究通过方便抽样于2021年6至7月对长沙市6个区和长沙县共20个消防队的消防员进行横断面调查。研究共邀请了734名消防官兵，其中有106人因拒绝参与或问卷回答不完整被排除。最终共收集628份有效问卷。本研究已通过中南大学湘雅二医院伦理委员会的批准，审批号：(2021)伦审[临研]第(138)号。

1.2. 方法

研究者在问卷星平台录入自评式调查问卷。参与研究前，被试被告知研究细节，在获得口头同意后，研究者向其发送网络链接，并在问卷的开始前要求其签署电子知情同意书。并通过自评问卷收集被试的相关人口学数据，如性别、学历、婚姻状况、从业时间、是否参与救援工作、是否曾患慢性疾病等。

1.3. 测量工具

1.3.1. 事件影响量表

PTSD的症状由事件影响量表修订版(Impact of Event Scale-Revised，IES-R)的简版(IES-6)进行测量，IES-R由22个条目组成，IES-6共6个条目，研究^[9]证明了其在测量PTSD症状方面的可靠性和有效性。IES-6量表评估的时间窗为7 d，采用Likert 5等级计分，从“一点没有”到“总是出现”。IES-6有较高的敏感性(55%~96%)和特异性(74%~99%)^[10]。PTSD诊断的临界值设定为平均条目得分1.75(总分大于10.5)，在筛选PTSD方面具有良好的敏感性和特异性^[11]。以《精神障碍诊断和统计手册》第五版(DSM-5)作为PTSD的诊断标准，根据DSM-5国际神经精神科简式访谈问卷对IES-6阳性被试进行问诊评估，83.3%的IES-6筛查阳性被试符合PTSD诊断。在符合PTSD诊断的人群中，所有创伤性事件均与火灾相关。

1.3.2. 心理弹性量表

采用心理弹性量表(Connor-Davidson Resilience Scale，CD-RISC-10)评估个体的心理弹性水平，包含坚韧性、力量性、乐观性3个因子，共10个条目。采用Likert 5等级计分，从“从来不”到“一直如此”。得分越高，表明心理弹性水平越好。该量表已被广泛用于评估不同人群(如精神障碍患者、青少年和老年人)的心理弹性，研究^[12]表明该量表具有良好的信效度。

1.3.3. 反刍思维量表

采用反刍思维量表(Ruminative Responses Scale，RRS)来评估个体的反刍思维水平和消极情绪^[13]。该量表包含反省深思和强迫思考2个因子，共10个条目，采用1~4级计分，从“几乎从不”到“几乎总是”。分数越高，被试的反刍思维水平也越高。韩秀等^[14]探索了RRS的信效度及其在中国的适用情况，结果表明RRS量表适合在中国应用。

1.4. 数据分析和统计学处理

在建立模型之前，对被试人口学特征和临床特征进行描述分析，并分别用独立样本t检验和χ² 检验初步探寻各种预测因素和PTSD的相关性。

使用Jupyter-Notebook、Numpy和Pandas对数据进行预处理和统计分析^[15]。使用的机器学习参考框架为Scikit-Learning^[16]，采用上述调查的全部11个特征来预测长沙消防员是否患PTSD，包括调查的6个社会人口学变量(性别、学历、婚姻状况、从业时间、是否参与救援工作、是否曾患慢性疾病)、心理弹性量表(包含坚韧性、力量性、乐观性3个因子)和反刍思维量表(包含反省深思和强迫思考2个因子)。在628名被试中，由于患PTSD和不患PTSD的被试比例为1꞉10.63，数据有一定的不平衡性，因此研究使用合成少数过采样技术(synthetic minority over-sampling technique，SMOTE)来处理数据集^[17]。SMOTE通过沿给定样本与其相邻样本之一之间的直线合成新样本来避免过拟合。使用网格搜索来进行超参数调优，以优化模型的性能。

在Python3环境下，分别使用随机森林、决策树、朴素贝叶斯、Logistic回归、k最邻近(k nearest neighbor，KNN)分类算法来构建模型。使用5折交叉验证比较对PTSD的预测能力，并利用相关特征计算每个特征的权重。通过使用随机森林方法，在样本中构建大量树，然后通过对所有树进行平均来生成聚合树^[18-19]。

使用SPSS 22.0进行统计分析。在对计量数据进行方差齐性检验和正态性检验后，使用独立样本t检验、单因素方差分析和χ² 检验来评估组间人口统计学和临床特征的差异。P<0.05为差异具有统计学意义。

2. 结 果

2.1. 临床和社会人口学特征比较

在所有被试中，有54名被试IES-6分值≥10.5，提示这部分被试很可能罹患PTSD。PTSD与坚韧性、力量性、反省深思、强迫思考、性别、学历、是否直接参加救援工作和从业时间都具有较强的相关性(均P<0.05，表1)。被试者的社会人口学和心理特征如表1所示。

表1.

临床和社会人口学特征

Table 1 Clinical and sociodemographic characteristics

组别	n	从业时间/年	性别/[例(%)]		是否直接参与救援工作/[例(%)]
			男	女	否	是
患有PTSD	54	8.704±5.814	36(66.7)	18(33.3)	27(50.0)	27(50.0)
不患有PTSD	574	6.974±6.129	495(86.2)	79(13.8)	161(28.0)	413(72.0)
总计	628	7.123±6.117	531(84.6)	97(15.4)	188(29.9)	440(70.1)
P		0.047	<0.001		0.001

组别	受教育情况/[例(%)]			CD-RISC10评分
	高中及以下	本科学历	硕士及以上	坚韧性分数	力量性分数	乐观性分数
患有PTSD	11(20.4)	42(77.8)	1(1.9)	14.667±3.967	9.426±2.151	6.315±1.635
不患有PTSD	217(37.8)	329(57.3)	28(4.9)	17.120±7.366	10.204±4.351	6.681±2.879
总计	228(36.3)	371(59.1)	29(4.6)	16.909±7.169	10.137±4.211	6.650±2.795
P	0.014			<0.001	0.026	0.151

组别	是否曾患慢性疾病/[例(%)]		婚姻状况/[例(%)]			RRS评分
	否	是	未婚	已婚	离异	反省深思	强迫思考
患有PTSD	52(96.3)	2(3.7)	28(51.9)	24(44.4)	2(3.7)	10.852±3.417	9.759±2.801
不患有PTSD	558(97.2)	16(2.8)	280(48.8)	285(49.7)	9(1.6)	7.693±3.248	6.760±2.852
总计	610(97.1)	18(2.9)	308(49.0)	309(49.2)	11(1.8)	7.965±3.379	7.018±2.967
P	0.700		0.438			<0.001	<0.001

PTSD：创伤后应激障碍；CD-RISC：心理弹性量表；RRS：反刍思维量表。

2.2. 机器学习模型的构建和模型性能评价

基于11个预测值，分别利用随机森林、决策树、朴素贝叶斯、logistic回归和KNN分类构建PTSD的预测模型。表2展示了这5种模型对PTSD的预测效果。结果表明随机森林模型的平均精确率为0.901，平均召回率为0.987，F1分数为0.945。通过建立ROC曲线，计算出ROC-AUC分数为0.790，在5种模型中最高(图1)，表明随机森林模型在预测方面具有较高性能。

表2.

几种常见机器学习模型对PTSD的预测能力比较

Table 2 Comparison of the predictive capability of several common machine learning models for PTSD

模型	精确率	召回率	F1分数	ROC-AUC分数
随机森林	0.901	0.987	0.945	0.790
决策树	0.913	0.913	0.911	0.673
朴素贝叶斯	0.898	0.860	0.875	0.681
Logistic回归	0.878	0.913	0.891	0.541
KNN分类	0.881	0.907	0.887	0.563

PTSD：创伤后应激障碍；KNN：k最邻近；ROC-AUC：受试者工作特征曲线下面积。

图1.

随机森林模型ROC曲线

Figure 1 ROC curve of random forest model ROC: Receptor operator characteristic; AUC: Area under the curve.

2.3. 随机森林模型中的预测因子及其权重

随机森林模型中11个预测因子的重要性见表3。表中数值表示每个要素的相对权重，权重越大，表示此变量在模型中越重要。权重最大的3个预测因素为坚韧性、强迫思考和反省深思，其次为从业时间、力量性、乐观性。

表3.

每项预测因子的权重

Table 3 Weights of each predictor

排序	预测因子	权重
1	坚韧性	0.165
2	强迫思考	0.158
3	反省深思	0.152
4	从业年限	0.143
5	力量性	0.129
6	乐观性	0.081
7	学历	0.057
8	婚姻状况	0.043
9	性别	0.040
10	是否直接参加救援工作	0.028
11	是否曾患慢性疾病	0.006

3. 讨 论

本研究通过5种机器学习算法构建了消防员PTSD的5种预测模型，通过比较不同方法所构建模型的差异，从中筛选出预测效能最优的随机森林模型，并基于该模型明确了PTSD不同预测因子的重要性。AUC是衡量分类器性能的最重要的单点度量之一^[20]。随机森林模型AUC值达到0.79，表明其在预测PTSD方面具有较高性能。在其他通过机器学习识别PTSD患者的研究中，同样发现随机森林模型在识别PTSD方面的高性能^[21-22]，ROC-AUC值为0.78~0.85。

精神疾病的临床诊断主要通过患者的自我报告和医生的观察评估，两者均具有一定的主观性。消防员极易发生职业心理创伤，相比于一般人群，地震救援组和基层消防组的官兵更容易在灾后的3个月内患上PTSD。高准确性和高特异性的模型将有利于提高对易患PTSD人群和早期PTSD症状的识别能力，促进对PTSD的早期干预。目前已有一些研究^{[21, 23]}使用机器学习模型来识别PTSD患者的风险因素，并预测其情绪调节能力^[22]、症状严重程度^[24]和预后情况^[25]。当在预测模型中同时放入症状学因子和生理指标时，基于症状学因子的预测能力高于生理指标^{[21, 23]}。这提示在PTSD的筛查和预测中，应该采取“症状学为主、生物学标志为辅”的策略，便捷、高效地对PTSD进行筛查与预测。

本研究通过机器学习算法计算每个预测因子的重要性，结果显示：消防员本身的心理坚韧性和力量性是预防PTSD发生的关键因素，这与之前对越南退伍士兵的研究^[26]结果相似，该研究发现坚韧性是PTSD的一个相对较强的直接预测因子。坚韧性和力量性具有对疾病和幸福感的积极作用^[27]，以及对心理健康的促进作用^[28]。坚韧性除了直接抵抗PTSD的发生，还对PTSD具有间接影响。坚韧性对PTSD的间接影响很大程度上归因于功能性社会支持，即坚韧性强的个体有能力在高应激时期寻求到他人帮助^[29]。Solomon等^[30]提出，创伤后的负性生活事件与PTSD的发生强相关，创伤后负性生活事件会严重损耗个人精力，可能会降低心理坚韧性和力量性。未来的研究还可以进一步调查创伤后负性生活事件对心理弹性和PTSD的影响。

本研究结果显示反刍思维(包括强迫思考和反省深思)是预测PTSD发生的重要因素。这与Preston等^[31]的研究结果相符，反刍思维可以预测创伤事件后长达数个月的PTSD症状。Arditte Hall等^[32]发现，患有PTSD的退伍军人报告的反刍思维的人数比未患者要多。反刍思维对PTSD症状的影响途径可能包括：1)反刍思维使得负面想法挥之不去，从而强化人们的负面情绪^[33]；2)反刍思维会损害关于如何解决问题方面的认知能力，降低实施解决方案的动机^[34]；3)反刍思维症状较严重的人较为孤立，回避社交，而倾向于执拗地思考或写下自己的感受，阻碍了问题的解决^[35]。

有两项通过机器学习预测PTSD的研究同时发现，注意力和执行功能是PTSD非常重要的预测因子^{[21, 23]}，均与反刍思维紧密相关。反刍思维越严重，就越难以持续集中注意力以执行任务^[36-37]。在基于功能磁共振的脑网络理论中，反刍思维强的个体，容易产生顽固而持久的“默认模式网络激活、背侧注意网络和执行控制网络抑制”的状态^[38-39]，从而使注意力难以长久维持。

本研究还发现从业时间对PTSD的易感性影响较大。在消防员群体中，从业时间越长，患PTSD概率越大。以往的研究常常忽略了从业时间与精神疾病的相关性，在一般的认知中，从业时间越长，代表做事越得心应手、经验丰富、游刃有余。但仅有更高的工作熟练度，并不代表患PTSD的概率就更低。消防员是一项压力很大的工作，工作时间越久，经历的创伤事件越多，积累的情绪、认知等问题就越多，也就越容易患PTSD。未来的研究可以同时开展其他职业的研究，以更好地阐明从业时间与PTSD之间的关联，包括从业时间从哪些途径影响PTSD的易感性。同时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。

本研究也存在一定的局限性：在问卷收集过程中，可能引入了选择偏倚，部分存在心理应激的患者可能会回避参与心理评估调查，一些需要心理测评和心理干预的人群也可能更倾向于参与此调查。被试在填写问卷时可能会存在某些理解偏差和回忆偏倚，导致夸大或缩小某些问题。本研究调查了“是否患有慢性疾病”，并没有进一步调查具体疾病种类；调查了消防官兵的从业时间，但并未进一步调查从业期间参与的重大消防安全事件的次数，也未给予“是否直接参与救援工作”一个时限。此外，机器学习模型在数据量为600左右的情况下也存在较小概率的过拟合风险，通过SMOTE技术可在一定程度上解决这个问题。后续的研究可以通过扩大样本量的方式来改善模型的性能；也可以加入更多的预测因素，如吸烟史、饮酒史、家庭经济收入等，以提高模型的准确率。最后，由于本研究是横断面设计，只能获得各变量之间的相关关系，无法推断其因果关系。后续可以通过纵向随访的方式进一步明确这些预测因素对PTSD发生的预测价值。

综上，随机森林模型是5种机器学习算法中效果最优的方法；在11个PTSD患病的预测因素中，坚韧性、强迫思考、反省深思、力量性和从业时间是5个权重最大的预测因子。研究结果一方面支持了随机森林模型在构建PTSD发病预测模型中的优势，另一方面则明确了个消防员罹患PTSD的预测因素，为未来进一步构建高危人群罹患PTSD的风险预测模型和PTSD的预防提供了一定的参考依据。

基金资助

国家科技重大专项(2021ZD0202000)。

This work was supported by the National Science and Technology Major Project (2021ZD0202000), China.

利益冲突声明

作者声称无任何利益冲突。

作者贡献

邓傲骞 数据和图表分析，论文撰写；杨燕贻 实验设计，数据收集，论文修改；李云静 论文撰写；黄梅、李亮、陆怡梅、陈文涛、袁睿 数据收集；鞠玉朦、刘帮杉、张燕 实验设计、统计分析、论文审阅和修改。所有作者阅读并同意最终的文本。

原文网址

http://xbyxb.csu.edu.cn/xbwk/fileup/PDF/20230184.pdf