Siirry pääsisältöön

Mediatiedote Julkaistu 6.7.2022 07.57

Koneoppimisella pystytään ennakoimaan lääkärien ja hoitajien kuormittuneisuutta yksilötasolla

Asiasanat:
  • HUS Diagnostiikkakeskus
  • Pää- ja kaulakeskus
  • maskinlärning

Koneoppimista hyödyntämällä voidaan tunnistaa etukäteen ne terveydenhuoltohenkilöstön työntekijät, jotka kuormittuvat liikaa ja päätyvät sairauslomalle. Kolmessa eri organisaatiossa korona-aikana tehty tutkimus painottaa esimerkiksi kommunikaation merkitystä.

Kuormittunut terveydenhuollon työntekijä.jpg

Kuva: Heli Kurimo, HUS

Koronan aiheuttamasta kuormituksesta terveydenhuollon henkilökunnalle, erityisesti hoitajille, on keskusteltu runsaasti. Toistaiseksi tiedetään kuitenkin melko vähän siitä, miksi toiset työntekijät kuormittuvat enemmän kuin toiset. Uudessa tutkimuksessa etsittiin välineitä, joilla pystyttäisiin tunnistamaan ja ennakoimaan yksittäisten työntekijöiden kuormittuneisuutta.

Tutkimus mittasi kuormittuneisuutta toisaalta oirekyselyn avulla ja toisaalta sairauslomapäivien määrällä. Kyselyllä etsityt oireet olivat psyykkisiä, kuten ahdistus ja masennus.

Tutkimus tehtiin kolmessa organisaatiossa, jotka olivat Helsingin ja Uudenmaan sairaanhoitopiiri (HUS), Kymenlaakson sosiaali- ja terveyspalvelujen kuntayhtymä (Kymsote) ja Helsingin kaupungin sosiaali- ja terveyspalvelut. Näiden organisaatioiden terveydenhuoltohenkilöstölle lähetettiin sähköinen kysely kuukauden välein puolen vuoden ajan vuosina 2020–2021.

Turvallisuuden tunteella ja kommunikaatiolla on väliä

Eri organisaatioiden tulokset eivät eronneet olennaisesti toisistaan.

“Runsaalla kymmenellä kysymyksellä pystyttiin ennustamaan kuormituksen kehitystä ja sairauslomia”, kertoo tutkija ja erikoistuva lääkäri Enni Sanmark HUS Korva-, nenä-, ja kurkkutautien klinikalta.

Tärkeäksi muuttujaksi osoittautui mahdollisuus pitää turvavälejä. Jos työtehtävissä ei ollut mahdollisuutta turvaväleihin, se heikensi selvästi jaksamista koskevaa ennustetta. Tutkimusaineiston keräämisen aikaan vähintään yhden metrin turvaväliä pidettiin olennaisesti tärkeämpänä tekijänä koronalta suojautumisessa kuin nykyään.

“Tämä muistuttaa siitä, kuinka tärkeä turvallisuuden tunne on. Niin kauan kun ihmistä ei pelota, ihminen kestää muuta kuormitusta, kuten pitkiä työpäiviä”, Sanmark jatkaa.

Tutkimus painottaa myös kommunikaation merkitystä jaksamiselle.

“Suoraviivaiset ja selkeät ohjeet sekä johdon jämpti toiminta ovat ilman muuta vähentäneet merkittävästi kuormittavuutta.”

Tutkimustulokset jaksamisesta kiinnostavat paitsi työntekijöitä myös työnantajia. Sairauslomat maksavat rahaa.

“Tarkoitus oli tuoda työnantajille keinoja pitää parempaa huolta työntekijöistä. Kun ennuste alkaa näyttää siltä, että työntekijä jää puolen vuoden kuluttua sairauslomalle, niin silloin kannattaisi puuttua asiaan”, Sanmark toteaa.

Koneoppiminen auttaa yksilötason ymmärtämisessä

Koneoppimista käytetään nykyään laajasti lääketieteellisessä diagnostiikassa, erityisesti kuvantamisessa. Muun muassa aivokasvaindiagnooseja varten yritetään jatkuvasti kehittää malleja, jotka auttaisivat tunnistamaan paremmin aivossa tapahtuneita muutoksia.

“Työterveys- ja psykiatrisessa tutkimuksessa koneoppimista on sovellettu vähemmän, mutta koneoppiminen on tulossa vauhdilla sinnekin”, kertoo erikoistuva lääkäri Johannes Lieslehto Niuvanniemen sairaalasta.

Koneoppimisen hyöty on nimenomaan yksilötasolla, Lieslehto sanoo. Perinteisillä tilastometodeilla tutkitaan ilmiöitä ryhmien tasolla, mutta koneoppimisen avulla voidaan tuottaa ennusteita yksittäisille ihmisille.

Tämä tutkimus koskee hoitajia ja lääkäreitä, mutta vastaavanlaista tutkimusta voisi tehdä yhtä hyvin muistakin ammattialoista, Lieslehto kertoo.

“Iso yritys voisi haluta lähteä kehittämään mallia, joka tunnistaa ne työntekijät, joilla on suurin riski sairastua työn puolesta.”

A machine learning approach to predict resilience and sickness absence in the healthcare workforce during the COVID-19 pandemic 

Lisätietoja medialle:

HUSin mediapalvelun yhteystiedot

Feedback

Löysitkö etsimäsi?