中醫科護理人員的睡眠困擾分群：哪些人落入嚴重睡眠困擾的風險最高？

潛在剖面分析結果顯示，7721 位受試護理人員可被分成三個睡眠困擾次群體：輕度穩定型佔 29.8%，中度波動型佔 60%，重度持續型佔 10.2%。三組的差異不只在嚴重度，也表現在症狀波動的型態上——波動意味著困擾程度會隨時間起伏，而穩定與持續則代表困擾程度相對固定地維持在某一水平。

在機器學習分類方面，五種模型在獨立測試集的 AUC 介於 0.71 到 0.84 之間，其中以 XGBoost 表現最佳，AUC 達 0.84（95%CI: 0.83-0.85），代表模型在區辨「這個人屬於哪一個睡眠困擾次群」時有相當好的準確度。透過 SHAP 可解釋性分析，研究團隊辨識出對分類結果貢獻最大的前五個特徵，依序為：每月收入、組織支持、醫院層級、自我關懷、心理韌性。這些特徵同時涵蓋了經濟面（收入）、職場環境面（組織支持、醫院層級）以及個人心理資源面（自我關懷、心理韌性）。

整體而言，多數受試護理人員落在中度波動型，意謂著他們的睡眠困擾並非全有或全無，而是處於一個會起伏的中間狀態，這對於職場健康管理策略有重要意涵——資源投注的方向不應只聚焦於最嚴重的一成人口，也應思考如何穩定中間這六成波動者的睡眠品質。

對於一般讀者來說，這份研究最值得帶走的觀念是：當我們討論「護理人員的睡眠問題」時，不要預設所有人都是同一種狀況。輕度穩定型可能只是偶爾睡不好的工作者，中度波動型可能隨著輪班、值班壓力而出現起伏，而重度持續型則代表長期、明顯的睡眠困擾。三種型態需要的支持策略可能並不相同。

另外幾個關鍵詞也值得稍作說明。「心理韌性」指的是一個人面對壓力、逆境時恢復與調適的能力；「自我關懷」則是指個體在遭遇困難時，能以溫和、不自我批判的態度對待自己的傾向。這兩個特徵都在 SHAP 分析中進入前五名，暗示個人內在的心理資源與能否落入嚴重睡眠困擾群之間，可能存在有意義的關聯。「組織支持」則涵蓋護理人員感受到來自單位、主管與同事的協助與肯定程度，是職場心理社會環境的重要指標。

不過，讀者必須理解：本研究呈現的是統計上的相關性，並非因果關係。例如，月收入較低與落入嚴重睡眠困擾群之間的關聯，並不能直接推論為「是低收入導致睡眠變差」。同樣地，心理韌性與自我關懷可能是結果也可能是原因，端看未來縱貫性研究如何追蹤。同時，這份研究的樣本僅限於遼寧省 130 所中醫醫療機構的護理人員，不宜直接推論到其他地區、其他專科或不同國家的護理工作者。

這項橫斷面研究本身有明確的限制。最關鍵的一點是：研究設計為單一時間點的橫斷面調查，並未追蹤同一群護理人員隨時間的變化。因此，所辨識出的三個睡眠困擾次群體是否穩定——例如某人是否長期停留在重度持續型，或只是某段時間剛好處於嚴重階段——尚未被驗證。研究團隊也在結論中明確指出，未來需要縱貫性研究來確認這些次群的穩定性，並建立因果關係。

此外，本研究的對象僅限於遼寧省中醫醫療機構的護理人員，該地區的工作文化、薪資結構、醫院層級分布與中醫科特有作業流程，皆可能影響研究結果的適用範圍。對於其他護理專科、其他省份乃至其他國家的護理工作者，這三組分群的比例與相關因素是否一致，目前無法從此研究得知。讀者在引用這些數字時，應將其視為一個特定族群的觀察，而非通則。

這篇發表於 2026-02-24 的研究，標題為《Characterizing Sleep Disturbance Subgroups and Identifying Associated Factors in Traditional Chinese Medicine Nurses: A Latent Profile Analysis and Explainable Machine Learning Approach.》，探討中醫護理人員的睡眠困擾。文章指出，中醫科護理人員因職業壓力，面臨顯著的睡眠挑戰（背景），但以人為中心的分析方式——也就是把人依特徵分群而非只看整體平均——來分類這些睡眠模式的研究仍然相當有限。

為了回答「哪些人屬於哪種睡眠困擾類型」，研究採用了一種稱為「潛在剖面分析」（Latent Profile Analysis，簡稱 LPA）的統計方法。這種方法的概念是：即使大家填同一份量表，每個人的困擾程度與波動模式其實不盡相同，因此可以依作答反應把人分成幾個不同的亞群。研究工具包括 PROMIS 睡眠障礙短量表 8a，以及人口統計、職業與心理變項的自填問卷。資料分析採取兩階段：先以 LPA 區分亞群類型，再以遞迴特徵消去法結合隨機森林（RFE-RF）篩選變項，餵入五種機器學習模型，其中 70% 資料用於訓練，30% 作為獨立測試集；最終以 XGBoost 模型結合 Shapley 加性解釋（SHAP）方法，揭示每個變項對分類結果的貢獻度。

結果顯示，LPA 辨識出三組睡眠困擾亞群：輕度穩定型佔 29.8%、中度波動型佔 60%、重度持續型佔 10.2%。換言之，每十位中醫護理人員中，約有一位落入最嚴重的類別，而大多數落在中等程度。這種「以人為中心」的分群視角，比單純計算平均分更能呈現差異。透過 SHAP 解釋，最能區分亞群成員身分的五個特徵依序為：月收入、組織支持、醫院層級、自我關懷與心理韌性。

文章的結論提醒讀者，這些僅是相關性而非因果關係，且樣本限於遼寧省中醫護理人員，無法直接推論到其他族群。作者建議未來以縱貫性研究驗證亞群的穩定性，並嘗試建立因果鏈結。整體而言，研究展示了一條由「分群描述」到「解釋變項」的工作流程，讓讀者看見統計方法如何把一群人的睡眠困擾，切出三種可辨識的樣貌。