Predictive Models for Canadian Healthcare Workers Mental Health During COVID-19
Notice bibliographique
Résumé
PURPOSE: COVID-19 impact on the population's mental health has been reported worldwide. Predicting healthcare workers' mental health and life stress is needed to proactively plan for future emergencies. DESIGN: Statistics Canada has surveyed Canadian healthcare workers and those working in healthcare settings to gauge their perceived mental health and perceived life stress. SETTING: A cross-sectional survey of healthcare workers in Canada. SUBJECTS: A sample of 18,139 healthcare workers respondents. ANALYSIS: Eight algorithms, including Logistic Regression, Random Forest (RF), Naive Bayes (NB), K Nearest Neighbours (KNN), Adaptive boost (AdaBoost), Multi-layer perceptron (MLP), XGBoost, and LightBoost. AUC scores, accuracy and precision were measured for all models. RESULTS: XGBoost provided the highest performing model AUC score (AUC = 82.07%) for predicting perceived mental health, and Random Forest performed the best for predicting perceived life stress (AUC = 77.74%). Perceived health, age group of participants, and perceived mental health compared to before the pandemic were found to be the most important 3 features to predict perceived mental health and perceived stress. Perceived mental health compared to before the pandemic was the most important predictor for perceived life stress. CONCLUSION: Our models are highly predictive of healthcare workers' perceived mental health and life stress. Implementing scalable, non-expensive virtual mental health solutions to address mental health challenges in the workplace could mitigate the impact of workplace conditions on healthcare workers' mental health.
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.
Comment cette classification a été obtenuedéplier
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».