《Social Psychiatry and Psychiatric Epidemiology》:Multidomain correlates of burnout: A population-based study using supervised machine learning
该研究旨在确定职业倦怠与不同组织因素、心理社会就业条件、社会人口学变量及心理健康之间的关联。研究人员分析了2023年德国人群DigiHero队列中以职业健康为重点收集的横断面调查数据。利用线性关联和极端梯度提升(eXtreme Gradient Boosting, XG-Boost)机器学习方法,研究人员探索了多领域变量与使用马斯拉赫职业倦怠量表(Maslach Burnout Inventory, MBI)测量的倦怠严重程度之间的关系。通过SHapley Additive exPlanation (SHAP)值解释机器学习结果。分析纳入了27,020名参与者,年龄在18至67岁之间(中位数为49岁),65.2%为女性。倦怠的最强预测因素是努力-回报失衡(effort-reward-imbalance)、工作-生活干扰(work-life-interference)、过度承诺(overcommitment)以及整体心理健康状况不佳,特别是抑郁和焦虑症状。与心理社会就业条件和个人心理健康相比,组织和社会人口学因素的重要性较低。然而,职业很重要,其他方面,如长时间远程工作,具有虽小但可察觉的影响。年龄和收入是唯一有贡献的社会人口学因素。XG-Boost的结果与单变量统计结果进行了比较,并在通过个案权重调整样本偏差后仍然稳健。该研究强调了心理社会就业条件和个人心理健康在职业倦怠背景下的重要性,其影响超过了组织和社会人口学因素。这表明,积极的社会工作环境可能预防职业倦怠,而心理健康问题会增加其脆弱性。要获得因果关系的见解,需要前瞻性的纵向研究。
职业倦怠是一种临床状况,当工作场所压力长期超过个人资源时就会发展起来,并表现为耗竭、玩世不恭和效能感降低。它不仅仅是个人问题,已成为一个日益严峻的社会挑战。例如在德国,据估计有4.2%的人在一生中会经历临床水平的职业倦怠,且因倦怠导致的工作能力丧失天数在过去十年中增加了一倍以上。考虑到人口结构变化给社会保障体系带来的压力,这一趋势尤其令人担忧。
对于受影响的个体,职业倦怠具有严重后果。它与一系列健康问题相关,包括肌肉骨骼疼痛,甚至死亡率增加。其与心理障碍的共病率非常高,影响了70.9%的倦怠者。这在一定程度上基于倦怠与抑郁症之间的概念重叠。在工作场所,职业倦怠与工作满意度低、离职意向和缺勤相关。例如,前瞻性数据显示,更高水平的倦怠可预测更多的病假天数:基线时与工作相关的倦怠水平每增加一个标准差,可预测随访时病假天数增加21%。
理解倦怠的原因对于制定有针对性的预防策略至关重要。一个广泛使用的框架是工作要求-资源模型(Job Demands-Resources Model),该模型将倦怠解释为缺乏足够的资源来缓冲长期高工作要求。高要求主要导致耗竭,而资源不足则助长脱离和玩世不恭。
与该模型的预测一致,高的组织要求,如长时间工作、高工作量、时间压力、工作场所不安全、角色冲突以及从事护理专业,都与更高的倦怠风险相关——而低资源,如缺乏自主权、薪资不足、无法影响重要决策以及经验不足也同样相关。
除工作要求-资源模型外,Siegrist的努力-回报失衡(Effort-Reward-Imbalance)模型更强调感知到的回报,并假设工作中高投入与低回报之间的不匹配会增加患压力相关疾病的风险。回报不仅包括收入等金钱方面,还包括支持、认可和赏识等心理社会回报。另一个相关概念是工作生活平衡(work-life balance),该概念认为职业和私人生活需求之间的干扰会导致压力。保持努力-回报和工作生活平衡的重要性反映在倦怠的各种风险因素中,例如糟糕的职业关系、对质量改进活动缺乏认可、工作生活整合挑战、主管和同事支持不足以及工作场所不公。
关于社会人口学因素,其对倦怠的影响不一致、较小或不显著。例如,性别与不同的倦怠症状相关,一项元分析显示:女性在情绪耗竭方面得分更高,而男性在玩世不恭方面得分更高。一些研究发现倦怠随年龄增长而降低,但一项基于德国约8000人的研究则报告老年人倦怠更常见。此外,受教育程度较高和已婚人群的倦怠水平较低。
最后,心理健康问题不仅是倦怠的后果,也是风险因素。一项针对2500多名牙医的纵向研究表明,基线时有抑郁症状的人患倦怠的风险增加2.6倍。同样,在毕业后八年的年轻工人评估中,抑郁和倦怠存在相互影响。除抑郁外,焦虑、一般心理困扰、情绪调节困难、躯体症状以及普遍降低的幸福感也能预测倦怠。
综上所述,组织、心理社会、社会人口学因素和心理健康都有助于倦怠的发生。尽管这些因素已被广泛研究并纳入综述和元分析中,但它们的关系和相对重要性仍不清楚,因为现有研究往往受限于狭窄的预测因素集。例如,一项针对约2000名参与者样本、具有3年随访评估的大型纵向研究,仅纳入了8个心理和躯体预测因素。这种受限的预测因素集阻碍了权衡多种因素的相对贡献,进而限制了预防策略的优先排序。此外,既往研究结果的普遍性受到高度特定样本的限制。即使是样本量在2000-8000人范围内的大型研究,也经常聚焦于单一职业。
为了更全面地描绘普通人群中倦怠的统计预测因素,研究人员分析了一项大型德国队列研究的数据,该研究涵盖了跨越多个领域的多种潜在预测因素。这使得研究人员能够采用监督式机器学习(supervised machine learning),一种适用于处理具有相互依赖预测因素的大型数据集并能够检测非线性模式和交互作用的方法。本研究的目标是识别倦怠的最重要预测因素,并估计效应的大小和特定特征的贡献,同时考虑潜在的非线性模式和相互依赖性。
参与者是在德国数字健康研究队列研究(DigiHero)中被调查的,这是一个评估德国健康相关因素的数字平台。在此次专注于职业健康的调查波次(2023年11月),样本量为90,842名参与者。
职业倦怠使用马斯拉赫职业倦怠量表-通用问卷(Maslach Burnout Inventory – General Survey, MBI)测量,该量表包含16个项目,采用0(“从不”)到6(“每天”)的7点完全锚定量表,计算总分及三个分量表:情绪耗竭、玩世不恭(也称去人格化)和降低的个人效能感(也称职业成就)。为便于阅读,研究人员对后者进行了重新编码,使每个量表的高分代表更高的倦怠程度。
组织因素以职业(自由文本)、专业领域(根据德国经济部门分类)、职业领域、主组和组(根据德国职业分类至第三级)、合同约定和实际每周工作时间(连续变量)、在家工作(远程工作;连续变量)、领导职位(是/否)、雇佣持续时间(连续变量)和类型(永久合同雇员、固定期限合同雇员、公务员、自雇、临时工)、与客户的个人接触(4点序数量表)、在(计算机)屏幕前工作时间(4点序数量表)、轮班工作(是/否)、拥有一份以上工作(是/否)以及加班(是/否)的形式进行查询。
心理社会就业条件使用努力-回报失衡量表(Effort-Reward-Imbalance Scale, ERI)测量,该量表包含16个项目,其中10个测量努力-回报失衡,6个测量过度承诺。采用4点李克特量表,从1(“完全不同意”)到4(“完全同意”)。工作和私人生活的主观干扰通过一个单一项目测量,采用5点量表,从1(“非常小的程度”)到5(“非常大的程度”)。
社会人口学变量来自基线数据收集,包括年龄、性别、婚姻状况、伴侣关系、教育程度、学校毕业资格、家庭月净收入(7点序数量表;为简洁起见,下文称为收入)、州和联邦区、家庭成员数量、参与者及其父母的原籍、抵达德国的时间、家中子女数量。
心理健康通过不同的构念进行评估。抑郁使用病人健康问卷-9(Patient Health Questionnaire-9, PHQ-9)测量,焦虑使用广泛性焦虑障碍量表-7(Generalized Anxiety Disorder Scale-7, GAD-7)测量,(心身)疼痛使用病人健康问卷15项躯体症状严重程度量表(Patient Health Questionnaire 15-Item Somatic Symptom Severity Scale, PHQ-15)中的项目b、c和e测量。生活满意度从三个项目取平均值,询问参与者认为他们的生活有多满意、有意义和快乐,采用0(“一点也不满意/有意义/快乐”)到10(“非常满意/有意义/快乐”)的11点量表。心理弹性使用康纳戴维森心理弹性量表(Connor Davidson Resilience Scale, CD-RISC)的第1和第8项测量,主观心理健康通过一个单一项目测量,采用1(“差”)到5(“优秀”)的5点量表。
所有统计分析均使用R和RStudio计算。数据准备使用tidyverse实现,其中包含用于数据可视化的ggplot2。此外,使用Patchwork安排多个图形。机器学习模型使用tidymodels计算,SHapley Additive exPlanation (SHAP)值使用shapviz计算。
如果缺失值不超过20%,则使用问卷均值。对包含至少三个项目的每个问卷计算内部一致性,使用Cronbach’s α。教育、学校毕业资格和家庭月净收入变量在分析前被转换为数值量表。自由文本项目职业被重新编码为更高层次的类别,并通过半自动分析纠正了打字错误和拼写错误。提及次数少于10次的职业被汇总为“其他”。
研究人员评估了与倦怠的关联:对数值变量使用Pearson相关性,对二分变量使用点二列相关性,对因子变量使用简单线性回归(等同于方差分析,ANOVA)。为了调查与职业和职业组的关联,计算了每个类别的平均倦怠分数。为了比较每个变量的效应大小,计算了调整后的R2。根据Cohen的标准,效应大小分类如下:R2从0.01开始为小效应,从0.09为中等效应,从0.25为大效应。只报告至少有小效应的变量。
研究人员使用监督式机器学习回归模型来检测与倦怠严重程度相关的关键特征以及潜在的非线性模式和交互作用。与传统统计方法不同,机器学习模型操作无需统计假设或数学定义特征(预测变量)与结果(此处为倦怠)之间的关系,因此可以处理非线性模式和复杂交互作用。
研究人员采用探索性方法:使用10折交叉验证在训练集(80%)上拟合多个机器学习模型,通过网格搜索调整模型,并在测试集(20%)上评估其性能。划分是使用总体倦怠均值进行分层进行的。每个模型的最佳调整参数以及整体表现最佳的模型是根据均方根误差(rmse)选择的。由于视觉数据检查显示主要是线性关系,研究人员应用了线性回归模型以及包含收缩/消除系数的线性模型(岭回归、lasso和弹性网络)。其他机器学习算法的选择基于它们在其他研究中的先前表现:树集成模型,如随机森林和XG-Boost,因其在各种应用中的出色表现而广受欢迎,研究人员还使用了多层感知器模型作为简单形式的人工神经网络。
在机器学习框架内的预处理过程中,tidymodels框架工作流中使用的recipes包自动对训练数据执行预处理,并将相同的参数应用于测试集,从而保证没有数据泄漏。研究人员顺序添加了预处理步骤:首先,使用k最近邻算法填补所有特征的缺失值。然后,根据特定机器学习算法的要求处理因子变量。对于每个模型,非常罕见的类别(<10次观察)被汇总到“其他”类别。随后,高基数因子(>15个水平)通过step_lencode_glm()转换为似然编码。对于线性(lm、lasso、岭回归、弹性网络)和多层感知器模型,其他因子变量进行虚拟编码,对于随机森林无需编码,对于XG-Boost使用独热编码。对于多层感知器模型,所有特征还进行了z标准化以处于相同尺度。
XG-Boost和多层感知器模型表现最佳,尽管所有模型根据rmse达到了相似的性能水平。研究人员决定继续使用XG-Boost模型,因为它允许计算SHAP值以方便解释。对似然编码的检查揭示了倦怠与地区之间没有关联,因此该变量被排除在进一步分析之外。为了调整性别、年龄和学校毕业资格的样本偏差,研究人员使用个案权重重新运行了模型。
计算了可变重要性分数,使用vip包中的默认方法,这是基于XG-Boost模型的总增益的每个特征对模型的分数贡献。计算了SHAP值,其代表特征对每个参与者估计结果的贡献。研究人员还计算了SHAP交互值。由于计算时间长,SHAP值的计算仅限于2000名参与者的随机子集。
分析纳入了27,020名参与者,年龄18-67岁(平均46.8岁,标准差11.16岁;65.2%为女性)。原始样本量为90,842名参与者,减少到回答了本次专注于职业健康的调查波次(47,640人)、当前在职(29,189人)、低于退休年龄(67岁;28,499人)、在MBI上缺失值不超过3个(27,174人),并提交了合理的雇佣持续时间值(不超过年龄减去14岁;27,020人)的参与者。问卷的内部一致性度量(Cronbach’s α)接近或高于0.80(倦怠总分=0.900,情绪耗竭=0.922,玩世不恭=0.872,降低的个人效能感=0.829,抑郁=0.846,焦虑=0.869,努力-回报失衡=0.786,过度承诺=0.822,生活满意度=0.906),疼痛项目除外(0.544)。
大多数人(63.1%)报告倦怠症状每月发生一次或更少,极少数受访者(2.6%)表示每周或更频繁地经历症状。在分量表中,情绪耗竭的比例最高。相比之下,玩世不恭分数普遍较低,而对于降低的个人效能感,非常高的值非常罕见。
组织因素与倦怠显示出弱相关性。担任领导职务和个体经营与较低的倦怠相关。此外,职业和职业组很重要,例如教学、金属加工和公共关系职业表现出较高的倦怠,而木材加工、个人护理职业以及管理和执行委员会职位则表现出较低的倦怠。
在心理社会就业领域,倦怠与努力-回报失衡强烈相关,与过度承诺和工作-生活干扰中度相关。没有社会人口学因素与倦怠显示出有意义的关系。关于心理健康,与抑郁、焦虑、降低的生活满意度和降低的主观心理健康存在强烈相关性,与降低的心理弹性和更高的疼痛存在中度相关性。
为了联合分析所有变量,研究人员使用了XG-Boost模型,该模型达到R2 = 0.592,并显示出21个特征最为突出。研究人员关注这些特征,因为视觉检查显示此后可变重要性下降。与单变量统计分析一样,倦怠主要与心理健康和心理社会就业条件相关,而组织和社会人口学变量的重要性相对较小。后者两组的总和重要性较高,这是由于特征数量众多,但单个特征的重要性不高。
机器学习也揭示了一些与单变量分析不同的关联。例如,工作时间在XG-Boost模型中是最重要的特征之一,但在单变量分析中影响可忽略不计,而雇佣类型和担任领导职位的情况则相反。最后,研究人员仔细检查了前21个特征的关联模式。SHAP值表明许多与倦怠呈接近线性关系,但也有一些例外。检查了SHAP交互值,但结果可忽略不计。
心理健康与倦怠显示出强烈的关联。随着抑郁水平升高以及生活满意度、主观心理健康和心理弹性水平降低,倦怠几乎线性增加。较高的焦虑也与倦怠相关,尽管关联较弱且较早达到平台期。与其他心理健康变量相比,与疼痛的关系可以忽略不计。关于心理社会就业条件,努力-回报失衡、过度承诺和工作-生活干扰都与倦怠呈强烈的正相关,且接近线性。年龄和收入是唯一相关的社会人口学因素。倦怠在二十岁后期之前增加,之后稳步下降,并在60岁左右出现第二次上升。倦怠随着收入增加而增加。
对于组织因素,职业、职业主组、组和领域很重要但效应较小。结果需要谨慎解释,因为似然编码在职业的极端值处被高估,在职业主组的中间值处被低估。此外,与客户接触越少以及雇佣持续时间中等(约15-35年),倦怠越高。当每周工作超过约35小时时,倦怠较低,但合同约定的每周工作时间为约10-30小时也与较低的倦怠相关。远程工作只有在每周超过约10小时时才与倦怠增加相关,屏幕工作只有在每天超过六小时时才相关。加权模型达到R2 = 0.589,并揭示了可比的结果,包括相同的前21个特征。
讨论部分,研究的大样本支持并扩展了先前描述的与倦怠相关的因素。分析策略是双重的。首先,研究人员使用传统统计方法研究了预测因素和倦怠之间的单变量关联。这支持了先前的结果,例如显示努力-回报失衡与倦怠存在强关联。其次,研究人员采用了机器学习,这使研究人员能够权衡不同因素的相对影响,并考虑其相互依赖性和非线性关联模式。机器学习结果与传统统计结果大体相当,但也表明当考虑特征的相互依赖性时,某些关联发生了变化。例如,担任领导职务在单变量分析中与倦怠强烈相关,但在机器学习分析中仅显示出可忽略的影响。这表明,孤立地检查预测因素不适合理解关联模式。
研究人员发现,心理健康,特别是抑郁,对倦怠的影响最大,鉴于倦怠与抑郁之间的概念重叠,这并不令人惊讶。然而,该研究也指出了影响倦怠脆弱性的一般心理健康因素,因为焦虑、较低的主观心理健康、降低的生活满意度和减弱的心理弹性也与之相关。
支持努力-回报失衡模型,就业的心理社会因素非常重要。努力-回报失衡与倦怠强烈相关,这与先前研究一致,表明该构念也是抑郁症和更广泛心理障碍的风险因素。此外,即使在控制了心理健康的情况下,过度承诺和工作-生活干扰也与倦怠相关。鉴于该样本涵盖了许多职业和社会人口学群体,这些因素似乎具有普遍重要性。因此,预防策略应优先考虑心理社会方面,例如通过认可加强回报,支持职业发展和职业管理,以及促进灵活性和自主性,如提供远程工作选项——同时保持定期的社会联系以防止孤立。
社会人口学变量的影响相对较小。与先前研究一致,倦怠随年龄增长而下降,尽管在二十岁后期之前略有上升。这种早期峰值可能反映了年轻人心理健康的脆弱性更大,这是由于学习新工作任务和生活阶段挑战(如组建家庭)的共同要求。
组织因素,如雇佣持续时间短和职业,也次要重要。雇佣持续时间可能反映了工作经验的影响。与倦怠研究最初关注以人为本的、人类服务型职业一致,该研究表明教学等职业风险更高。然而,与更广泛的倦怠概念化一致,研究人员也证明倦怠并不局限于助人职业。工作时间似乎存在矛盾:兼职工作和非常长的实际工作时间都显得具有保护性。这可能是由不同的机制解释的:兼职工作有利于工作生活平衡,而每周工作超过40小时可能反映了高度的内在动机。与客户接触更多和屏幕工作较少与较低的倦怠相关,支持了工作嵌入理论,该理论强调了社会联系的作用。同样,广泛的远程工作(每周>10小时)是不利的,而适度的远程工作似乎有益。令人惊讶的是,较高的收入与略高的倦怠相关,尽管这种效应很小,可能反映了收入测量的局限性,在低收入区间分辨率更细。
局限性方面,首先,解释受限于横断面数据,因此识别的预测因素可能是倦怠的前因或后果,或者由于存在影响特征和结果的潜在第三个变量而产生关联。一些变量也在前瞻性研究中被识别,并符合理论假设,支持了它们的预测相关性。然而,其他方向性也是合理的,特别是对于心理健康。例如,不堪重负的个体可能退出社交活动或形成玩世不恭的视角,这两者都可能助长抑郁症状,而能量的减少反过来又会加剧因工作量而感到不堪重负的感觉。纵向研究支持这种相互关系。
其次,尽管样本是从人口登记中随机抽取的,但并未完全代表普通人群。无应答导致女性、40-60岁、受过良好教育的个体比例过高。研究人员通过个案权重建模解决了这个问题,这支持了这些因素的普遍性。然而,有移民背景的个体仍然代表性不足,因此研究结果最适用于WEIRD(西方、受过教育、工业化、富裕、民主)人群。
第三,机器学习模型很复杂,这阻碍了可解释性。尽管SHAP值提供了一种检查关联的方法,但它们不能捕捉可能存在于现实世界中的复杂高阶交互作用。
第四,虽然预测因素集很广泛,但受限于调查设计。其他潜在重要因素,如人格特质或工作相关关系的质量未被评估,一些变量(屏幕时间、收入)通过序数量表简化,收入类别在全国平均水平以上没有分辨率。研究结果仅与数据一样具体,并非影响倦怠的所有潜在因素的综合。
最后,MBI虽在研究中广泛使用,但缺乏临床倦怠的标准化截止值,因此无法得出任何关于患病率的结论。此外,该样本可能代表性不足严重病例,因为它只包括在职参与者。总之,未来研究应包括前瞻性纵向设计和具有广泛预测因素集的多样化样本,以获得因果关系的见解。研究结果可能为验证性研究的预测因素选择提供信息。
实践意义方面,数据表明应优先考虑心理社会变量在预防工作中的作用,因为它们显示出与倦怠最强的关联,并且可以在组织层面得到解决。例如,管理培训计划可以强调工作场所安全、适当的认可、足够的晋升机会等方面。此外,通过远程工作安排授予灵活的工作条件可以降低倦怠风险,但需要在灵活性与保持社会联系之间取得平衡。最后,包括心理健康状况不佳、年轻年龄和在特定职业就业在内的个体因素,显示出与倦怠升高相关。因此,预防措施可能特别针对这些个体,以在工作中支持其心理健康。
结论部分,该研究使用大型数据集和机器学习识别了倦怠的预测因素。心理健康和心理社会因素成为最重要的统计预测因素,而组织和社会人口学因素的影响较小。要获得因果关系的见解,需要前瞻性的纵向研究。