Development of a data-driven digital phenotype profile of distress experience of healthcare workers during COVID-19 pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Due to the constraints of the COVID-19 pandemic, healthcare workers have reported acting in ways that are contrary to their moral values, and this may result in moral distress. This paper proposes the novel digital phenotype profile (DPP) tool, developed specifically to evaluate stress experiences within participants. The DPP tool was evaluated using the COVID-19 VR Healthcare Simulation of Stress Experience (HSSE) dataset (NCT05001542), which is composed of passive physiological signals and active mental health questionnaires. The DPP tool focuses on correlating electrocardiogram, respiration, photoplethysmography, and galvanic skin response with moral injury outcome scale (Brief MIOS). METHODS: Data-driven techniques are encompassed to develop a tool for robust evaluation of distress among participants. To accomplish this, we applied pre-processing techniques which involved normalization, data sanitation, segmentation, and windowing. During feature analysis, we extracted domain-specific features, followed by feature selection techniques to rank the importance of the feature set. Prior to classification, we employed k-means clustering to group the Brief MIOS scores to low, moderate, and high moral distress as the Brief MIOS lacks established severity cut-off scores. Support vector machine and decision tree models were used to create machine learning models to predict moral distress severities. RESULTS: Weighted support vector machine with leave-one-subject-out-cross-validation evaluated the separation of the Brief MIOS scores and achieved an average accuracy, precision, sensitivity, and F1 of 98.67%, 98.83%, 99.44%, and 99.13%, respectively. Various machine learning ablation tests were performed to support our results and further enhance the understanding of the predictive model. CONCLUSION: Our findings demonstrate the feasibility to develop a DPP tool to predict distress experiences using a combination of mental health questionnaires and passive signals. The DPP tool is the first of its kind developed from the analysis of the HSSE dataset. Additional validation is needed for the DPP tool through replication in larger sample sizes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle