环境与职业医学

作者：陆欣怡, 宋涛, 周玉婷, 孟庆欣, 楼建林, 周洪昌, 王瑾, 李霜,

关键词：职业紧张, 抑郁症状, 互联网, 长工时, 可解释机器学习,

背景长工时暴露作为职业紧张的常见危险因素，与抑郁症状的发生密切相关，深入探索长工时暴露对职业紧张和抑郁症状的影响机制，可为职业健康干预提供科学依据和决策支持。目的探究长工时暴露对互联网从业者职业紧张与抑郁症状的影响，利用可解释机器学习理解并有效使用机器学习模型的预测结果，评估可解释机器学习在职业健康风险预警中的应用价值。方法研究数据来源于2021—2023年中国疾病预防控制中心职业卫生与中毒控制所“长工时暴露及其不良健康效应风险评估”项目的2866名互联网企业员工的横断面调查数据。基于问卷调查（包括《职业紧张测量核心量表》和《患者健康问卷》）对长工时、职业紧张和抑郁症状进行测算与比较，采用Mantel测试和方差膨胀因子检验调查变量之间的相关性和多重共线性。利用特征筛选关键变量构建6种机器学习风险预测模型。使用特征重要性、Shapley加性解释（SHAP）和局部可解释模型无关解释（LIME）3种可解释性方法对特征与预测结果的统计相关性进行了可视化解释；进一步采用特征因果关系解释方法揭示长工时暴露对职业紧张和抑郁症状的有向影响和干预效应。结果研究对象的职业紧张检出率为12.9%，抑郁症状检出率为77.8%，筛选出12个职业紧张关键特征变量和9个抑郁症状关键特征变量。纳入相关特征进行职业紧张和抑郁症状建模预测分析，综合5个模型评估指标，轻量梯度提升机（LGBM）模型表现最好，在测试集中的准确率分别达到0.89和0.79。对于职业紧张和抑郁症状关键变量，特征重要性表明疲劳蓄积程度和生活满意度同为核心特征，而长工时相关的周均工作时间和日均加班时间是关键影响因素。SHAP解释了周均工作时间和日均加班时间增长会提升职业紧张概率。特征因果关系显示，周均工作时间每提升1个分组，职业紧张概率增加7.04%。结论互联网从业者长工时暴露与职业紧张和抑郁症状相关。通过可解释机器学习能够更准确地识别、理解和解释关键影响因素及其相互作用关系，从而为制定有效的预防和干预措施提供依据。

来源： 2026年第1期

《环境与职业医学》期刊编辑部

查看环境与职业医学杂志 2026年第1期