目的:本研究旨在评估山东省护士轮班工作睡眠障碍（Shift Work Sleep Disorder,SWSD）的患病率,通过机器学习（Machine Learning,ML）算法构建和比较SWSD的预测模型,并结合人口健康风险管理综合框架分析SWSD的影响因素,拟为轮班护士 SWSD的早期识别提供依据,为护理管理者实现SWSD的有效预防及管理提供思路和建议。方法:本研究依托山东省护士健康队列自2020年12月至2022年2月于山东省20家医院收集的基线数据,采用多阶段整群抽样的方法选取6542名轮班护士作为研究对象。研究工具包括自编一般资料调查表、工作家庭平衡量表、领悟社会支持量表、疲乏量表、感知压力量表、昼夜节律类型量表、国际体力活动量表和轮班工作睡眠障碍评估问卷。本研究使用R语言（4.0.5版本）、Python语言（3.7.4版本）以及Scikit-Learn ML算法库（1.0.2版本）对数据进行统计学分析。分析方法包括采用卡方检验和Bonferroni多重检验校正进行SWSD的特征筛选;采用logistic回归、随机森林和BP神经网络3种ML算法构建预测模型;采用网格搜索法分别对3种预测模型进行参数调优;采用10折交叉验证法计算调优后模型的准确率、召回率、精确率、F1分数和AUC;按照30%的比例随机抽取一份样本数据分别对3种预测模型再次内部验证并绘制ROC曲线、DET曲线及PR曲线以比较三者的预测性能;通过绘制模型各自的特征重要性排序图或列线图分析影响因素。结果:1.本研究筛选得山东省轮班护士有效问卷6182份,其SWSD的患病率高达47.99%。2.经验证3种SWSD预测模型的预测性能均表现良好:①逐步logistic回归模型的准确率为71.37%、召回率为71.65%、精确率为69.69%、F1分数为70.61%、AUC为0.79;②随机森林模型的准确率为71.64%、召回率为70.34%、精确率为70.56%、F1分数为70.43%、AUC为0.79;③BP神经网络模型的准确率为70.66%、召回率为70.34%、精确率为69.1 8%、F1分数为69.70%、AUC为0.78。其中,随机森林模型的综合性能略优于逐步logistic回归模型和BP神经网络模型。3.逐步logistic回归模型特征重要性排序图及随机森林模型特征重要性排序图显示,二者前3项预测因素一致,依次为轮班期间自我感知疲乏、夜班期间存在躯体不适和一周工作总时间超过40小时。4.基于人口健康风险管理综合框架,结合不同算法特征重要性排序图或列线图结果,识别出SWSD共同的重要影响因素如下:①生理和心理方面包括自我报告轮班期间高水平的疲乏、夜班前存在夜班相关的精神压力、夜班后持续存在夜班相关的精神压力、高水平的日常生活感知压力和夜班期间躯体不适5项危险因素。②环境和职业方面包括自我报告夜班工作忙碌、轮班年数超过10年、每年轮班超过10个月、每月夜班数超过4个和一周工作总时间超过40小时5项危险因素,同时包括轮班后休息时间大于1天和夜班配置2名护士值班且轮流休息2项保护性因素。③社会和行为方面包括自我报告夜班前睡眠时使用促睡眠药物、夜班后睡眠时使用促睡眠药物、每周高强度的体力活动、轮班期间暴食和轮班期间进餐时间不规律5项危险因素,同时包括高水平的工作家庭平衡、夜班后补充睡眠时长大于3小时和每周有2～3天午睡3项保护性因素。结论:山东省轮班护士 SWSD患病率较高,因此SWSD的预测、预防、识别及管理至关重要。从SWSD预测模型的性能角度考虑,预测性能最优的是随机森林模型,其次是逐步logistic回归模型,然而BP神经网络模型表现一般;但从SWSD预测模型的应用角度考虑,逐步logistic回归模型预测变量更少、可解释性更高、推广和泛化价值更高,其次是随机森林模型。为降低轮班护士 SWSD的发生风险,护理管理者首先需在排班前根据SWSD的生理和心理因素如疲乏水平、躯体不适症状、心理健康状况等,对轮班护士进行评估和监测,以确定其是否适合继续轮班,并辅助其进行调整;其次,需每周了解轮班护士出现超时工作的情况及原因,以优化护理工作流程,提高其工作效率,减少其加班次数;再次,需根据SWSD的环境和职业因素为轮班护士制定更合理和科学的排班策略,如合理安排人员配置、轮班频率和休息时长等;最后,需根据SWSD的社会和行为因素引导轮班护士形成良好的睡眠行为习惯和饮食习惯,并帮助其平衡工作、家庭和社会之间的关系等。