DOI: https://doi.org/10.3389/fpubh.2025.1713841
PMID: https://pubmed.ncbi.nlm.nih.gov/41561869
تاريخ النشر: 2026-01-05
المؤلف: Zhenyun Du
الموضوع الرئيسي: ضغط وإرهاق المهنيين في الرعاية الصحية
نظرة عامة
تستكشف هذه الدراسة عوامل الخطر المرتبطة بالتعرض المهني بين العاملين في مجال الرعاية الصحية الفموية وتطور نموذج تنبؤي باستخدام خوارزميات التعلم الآلي. أجريت كدراسة مقطعية متعددة المراكز شملت 367 مشاركًا عبر 27 مستشفى في تيانجين، الصين، وتم جمع البيانات من خلال استبيان عبر الإنترنت يغطي التفاصيل الديموغرافية، ومخزون تفضيلات العمل، والمناخات التنظيمية، والمرونة، وغيرها من المتغيرات ذات الصلة. استخدمت الدراسة الانحدار اللوجستي، وغابة عشوائية، وشجرة القرار، وخوارزمية XGBoost لإنشاء نماذج تنبؤية، والتي تم تقييمها بناءً على مقاييس مثل المساحة تحت منحنى التشغيل (AUC)، والدقة، والحساسية، والخصوصية، ودرجة F1.
كشفت النتائج أن معدلات حدوث التعرض المهني كانت 15.5% و16.5% لمجموعتي النمذجة والتحقق، على التوالي. تضمنت عوامل الخطر المهمة التي تم تحديدها من خلال التحليل الأحادي مخزون تفضيلات العمل، والمناخات التنظيمية، والمرونة، واللقب المهني، ومستوى المستشفى، والعمر، والجنس. أكد التحليل متعدد المتغيرات أن مخزون تفضيلات العمل، والمرونة، والمناخات التنظيمية، واللقب المهني، ومستوى المستشفى، والجنس كانت عوامل خطر مستقلة. أظهر نموذج الغابة العشوائية أداءً تنبؤيًا متفوقًا مع AUC قدره 0.755، ودقة 89.2%، وحساسية 56.3%، وخصوصية 94.7%، ودرجة F1 قدرها 0.600. تؤكد الدراسة على أهمية التدخلات المستهدفة بناءً على هذه عوامل الخطر لتقليل مخاطر التعرض المهني، مع الاعتراف أيضًا بالقيود المتعلقة بتصميمها المقطعي والسياق المحدد للدراسة، مما يشير إلى الحاجة إلى مزيد من التحقق باستخدام مجموعات بيانات أوسع.
مقدمة
تناقش مقدمة هذه الورقة البحثية القضية المهمة للتعرض المهني بين العاملين في الرعاية الصحية، وخاصة في مجال طب الأسنان. يشمل التعرض المهني الاتصال غير المقصود بالعوامل الممرضة، والمواد السامة، أو الأدوات الحادة، مما يمكن أن يؤدي إلى العدوى أو مضاعفات صحية أخرى. تشير منظمة الصحة العالمية إلى أن العاملين في الرعاية الصحية هم أكثر عرضة للإصابة بالأمراض المعدية بمعدل يتراوح بين 2-19 مرة بسبب مثل هذه التعرضات، مع نسبة ملحوظة من إصابات التهاب الكبد B وC وفيروس نقص المناعة البشرية تعود إلى حوادث مهنية. لقد زاد حجم المرضى المتزايد في عيادات الأسنان من المخاطر على العاملين في صحة الفم، الذين يعملون غالبًا في بيئات مليئة بالملوثات ويستخدمون أدوات عالية السرعة تزيد من احتمالية الإصابات واستنشاق الهباء الجوي.
على الرغم من الدراسات السابقة التي حددت عوامل الخطر المرتبطة بالتعرض المهني، فإن الطرق الإحصائية التقليدية لها قيود في معالجة التفاعلات المعقدة والعلاقات غير الخطية بين هذه العوامل. علاوة على ذلك، غالبًا ما تركز الأبحاث الحالية على أنواع التعرض الفردية، مما يفتقر إلى أداة تقييم شاملة للعاملين في الرعاية الصحية الفموية. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال الاستفادة من الذكاء الاصطناعي وتقنيات التعلم الآلي لتطوير نموذج قوي لتنبؤ مخاطر التعرض المهني. من خلال استخدام خوارزميات مثل الانحدار اللوجستي، والغابة العشوائية، وشجرة القرار، وXGBoost، تسعى الدراسة إلى تحديد عوامل الخطر الرئيسية وتعزيز دقة التنبؤ، مما يسهم في تحسين إدارة سلامة العمل واستراتيجيات الوقاية المستهدفة في مجال الرعاية الصحية الفموية.
الطرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. توضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. تشمل المنهجية بروتوكولات محددة لجمع البيانات، مما يضمن أن النتائج موثوقة وصحيحة.
بالإضافة إلى ذلك، يصف القسم أي نماذج رياضية أو معادلات تم تطبيقها لتفسير البيانات، مع تسليط الضوء على أهميتها بالنسبة للأسئلة البحثية المطروحة. كما يتم التأكيد على استخدام مجموعات التحكم، والتوزيع العشوائي، والتعمية لتقليل التحيزات وتعزيز قوة النتائج. بشكل عام، تم تصميم الطرق المستخدمة لتوفير إطار شامل لفهم الظواهر الأساسية التي تم التحقيق فيها في الدراسة.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد الارتباطات المهمة بين المتغيرات المدروسة، بالإضافة إلى التحقق من الفرضيات المقترحة. تشير التحليلات الإحصائية، بما في ذلك نماذج الانحدار واختبار الفرضيات، إلى أن النتائج قوية وذات دلالة إحصائية، مع قيم p أقل من 0.05.
بالإضافة إلى ذلك، تكشف البيانات أن التدخل المطبق في الدراسة أدى إلى تحسينات قابلة للقياس في النتائج المستهدفة، مما يظهر حجم تأثير واضح. توضح الأشكال والجداول المضمنة في هذا القسم هذه النتائج، مما يوفر تمثيلات بصرية للاتجاهات والعلاقات الملحوظة. بشكل عام، تدعم النتائج الأهداف البحثية الأولية وتساهم بأفكار قيمة في هذا المجال.
المناقشة
تسلط قسم المناقشة في هذه الدراسة المقطعية متعددة المراكز الضوء على المخاطر الكبيرة للتعرض المهني بين العاملين في الرعاية الصحية الفموية، مع معدل حدوث يبلغ 15.5% في مجموعة النمذجة و16.5% في مجموعة التحقق. تحدد الدراسة عدة عوامل مساهمة، بما في ذلك استخدام الأدوات عالية السرعة التي تولد الهباء الجوي، والبيئة العمل المحدودة، والتحديات التي تطرحها معدات الحماية. ومن الجدير بالذكر أن العاملات في الرعاية الصحية يتعرضن لمخاطر أعلى بسبب العوامل التشريحية وميولهن لإعطاء الأولوية للاحتياجات العاطفية للمرضى على سلامتهن الشخصية. بالإضافة إلى ذلك، يواجه العاملون في المستشفيات ذات المستويات الأعلى وأولئك ذوي الألقاب المهنية الأقل مخاطر تعرض متزايدة، على الأرجح بسبب الإجراءات الأكثر تعقيدًا وقلة الخبرة.
تؤكد الدراسة أيضًا على دور المرونة والدافع للعمل في تقليل مخاطر التعرض المهني. العاملون في الرعاية الصحية الذين لديهم مرونة ودافع عمل أقل يكونون أكثر عرضة للتعرض، حيث قد يفشلون في التعرف على المخاطر أو الالتزام ببروتوكولات السلامة. تستخدم الأبحاث نماذج مختلفة من التعلم الآلي للتنبؤ بالتعرض المهني، حيث أظهر نموذج الغابة العشوائية أفضل أداء من حيث الدقة والحساسية والخصوصية. تجعل قوة هذا النموذج ضد الإفراط في التخصيص وقدرته على التعامل مع البيانات عالية الأبعاد أداة قيمة للتعرف المبكر على العمال المعرضين للخطر. تؤكد النتائج على الحاجة إلى تدخلات مستهدفة من قبل مديري العيادات لمعالجة عوامل الخطر المحددة وتحسين سلامة العاملين في الرعاية الصحية الفموية.
DOI: https://doi.org/10.3389/fpubh.2025.1713841
PMID: https://pubmed.ncbi.nlm.nih.gov/41561869
Publication Date: 2026-01-05
Author(s): Zhenyun Du
Primary Topic: Healthcare professionals’ stress and burnout
Overview
This study investigates the risk factors associated with occupational exposure among oral healthcare workers and develops a predictive model utilizing machine learning algorithms. Conducted as a multicenter cross-sectional study involving 367 participants across 27 hospitals in Tianjin, China, data were gathered through an online questionnaire covering demographic details, Work Preference Inventory, Organizational Climates, resilience, and other relevant variables. The study employed logistic regression, random forest, decision tree, and XGBoost algorithms to create predictive models, which were assessed based on metrics such as the area under the receiver operating characteristic curve (AUC), accuracy, sensitivity, specificity, and F1 score.
The findings revealed that the incidence rates of occupational exposure were 15.5% and 16.5% for the modeling and validation groups, respectively. Significant risk factors identified through univariate analysis included Work Preference Inventory, Organizational Climates, resilience, professional title, hospital level, age, and gender. Multivariate analysis confirmed that Work Preference Inventory, resilience, Organizational Climates, professional title, hospital level, and gender were independent risk factors. The random forest model demonstrated superior predictive performance with an AUC of 0.755, accuracy of 89.2%, sensitivity of 56.3%, specificity of 94.7%, and F1 score of 0.600. The study underscores the importance of targeted interventions based on these risk factors to mitigate occupational exposure risks, while also acknowledging limitations related to its cross-sectional design and the specific context of the study, suggesting the need for further validation with broader datasets.
Introduction
The introduction of this research paper addresses the significant issue of occupational exposure among healthcare workers, particularly in the field of oral medicine. Occupational exposure encompasses unintended contact with pathogens, toxic substances, or sharp instruments, which can lead to infections or other health complications. The World Health Organization reports that healthcare workers are 2-19 times more likely to contract infectious diseases due to such exposures, with a notable percentage of hepatitis B, C, and HIV infections attributed to occupational incidents. The rising patient volume in dental clinics has heightened the risk for oral health workers, who frequently operate in environments laden with contaminants and utilize high-speed instruments that increase the likelihood of injuries and aerosol inhalation.
Despite previous studies identifying risk factors associated with occupational exposure, traditional statistical methods have limitations in addressing complex interactions and nonlinear relationships among these factors. Furthermore, existing research often focuses on single exposure types, lacking a comprehensive assessment tool for oral healthcare workers. This study aims to fill this gap by leveraging artificial intelligence and machine learning techniques to develop a robust occupational exposure risk prediction model. By utilizing algorithms such as logistic regression, random forest, decision tree, and XGBoost, the research seeks to identify key risk factors and enhance prediction accuracy, ultimately contributing to improved occupational safety management and targeted prevention strategies in the field of oral healthcare.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. The methodology includes specific protocols for data collection, ensuring that the results are reliable and valid.
Additionally, the section describes any mathematical models or equations applied to interpret the data, highlighting their relevance to the research questions posed. The use of control groups, randomization, and blinding is also emphasized to mitigate biases and enhance the robustness of the findings. Overall, the methods employed are designed to provide a comprehensive framework for understanding the underlying phenomena investigated in the study.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, as well as the validation of the proposed hypotheses. Statistical analyses, including regression models and hypothesis testing, indicate that the results are robust and statistically significant, with p-values less than 0.05.
Additionally, the data reveal that the intervention applied in the study led to measurable improvements in the targeted outcomes, demonstrating a clear effect size. Figures and tables included in this section illustrate these findings, providing visual representations of the trends and relationships observed. Overall, the results support the initial research objectives and contribute valuable insights to the field.
Discussion
The discussion section of this multicenter cross-sectional study highlights the significant risk of occupational exposure among oral healthcare workers, with an incidence rate of 15.5% in the modeling group and 16.5% in the validation group. The study identifies several contributing factors, including the use of high-speed instruments that generate aerosols, the confined working environment, and the challenges posed by protective gear. Notably, female healthcare workers are found to be at a higher risk due to anatomical factors and a tendency to prioritize patient emotional needs over their own safety. Additionally, workers in higher-level hospitals and those with lower professional titles face increased exposure risks, likely due to more complex procedures and less experience.
The study also emphasizes the role of resilience and work motivation in mitigating occupational exposure risks. Healthcare workers with lower resilience and work motivation are more susceptible to exposure, as they may fail to recognize risks or adhere to safety protocols. The research employs various machine learning models to predict occupational exposure, with the Random Forest model demonstrating the best performance in terms of accuracy, sensitivity, and specificity. This model’s robustness against overfitting and its ability to handle high-dimensional data make it a valuable tool for early identification of at-risk workers. The findings underscore the need for targeted interventions by clinical managers to address identified risk factors and improve the safety of oral healthcare workers.