Genom maskininlärning kan man förutse läkarnas och skötarnas belastning på individnivå

Den belastning som coronaviruset orsakar hälso- och sjukvårdspersonalen, i synnerhet skötarna, har diskuterats mycket. Hittills vet man dock ganska lite om varför vissa arbetstagare belastas mer än andra. I den nya undersökningen sökte man verktyg för att identifiera och förutse enskilda arbetstagares belastning. 

Undersökningen mätte belastningen å ena sidan med hjälp av en symtomenkät och å andra sidan med antalet sjukledighetsdagar. Symtomen som söktes med enkäten var psykiska, såsom ångest och depression.
 
Undersökningen genomfördes i tre organisationer: Helsingfors och Nylands sjukvårdsdistrikt (HUS), Kymmenedalens samkommun för social- och hälsovårdstjänster (Kymsote) och Helsingfors stads social- och hälsovårdstjänster. Hälsovårdspersonalen i dessa organisationer fick en elektronisk enkät varje månad under ett halvt år 2020–2021.

Trygghetskänsla och kommunikation är viktigt

Resultaten från de olika organisationerna skilde sig inte väsentligt från varandra. 

"Med drygt tio frågor kunde man förutspå belastningens utveckling och sjukledigheter", berättar forskare och läkare under specialistutbildning Enni Sanmark vid HUS klinik för öron-, näs- och halssjukdomar.

Möjligheten att hålla avstånd visade sig vara en viktig variabel. Om det inte var möjligt att hålla avstånd i arbetsuppgifterna försämrade det klart prognosen för orken. När undersökningsmaterialet samlades in ansågs ett avstånd på minst en meter vara en väsentligt viktigare faktor för att skydda sig mot coronaviruset än idag. 

"Detta påminner om hur viktig trygghetskänslan är. Så länge människan inte är rädd klarar hen av annan belastning, såsom långa arbetsdagar", fortsätter Sanmark.

Undersökningen betonar också kommunikationens betydelse för orken.

 "Enkla och tydliga anvisningar samt ledningens smidiga agerande har utan tvekan minskat belastningen avsevärt". 
 Undersökningsresultaten om orken i arbetet intresserar förutom arbetstagarna även arbetsgivarna. Sjukledigheter kostar pengar.

 "Syftet var att ge arbetsgivarna metoder att ta bättre hand om arbetstagarna. När prognosen börjar visa att arbetstagaren kommer att bli sjukskriven om ett halvt år lönar det sig att ingripa", konstaterar Sanmark.

Maskininlärning hjälper att förstå individnivå

Maskininlärning används numera i stor utsträckning inom medicinsk diagnostik, särskilt inom bilddiagnostik. Bland annat för diagnoser av hjärntumörer försöker man ständigt utveckla modeller som hjälper till att bättre identifiera förändringar i hjärnan.

"I den företagshälsovårds- och psykiatriska undersökningen har man tillämpat mindre maskininlärning, men även där kommer maskininlärningen att införas", berättar läkare under specialistutbildning Johannes Lieslehto vid Niuvanniemi sjukhus. 

Nyttan med maskininlärning ligger uttryckligen på individnivå, säger Lieslehto. Med traditionella statistiska metoder undersöks fenomen på gruppnivå, men med hjälp av maskininlärning kan man producera prognoser för enskilda människor. 

Denna undersökning gäller sjukskötare och läkare, men en motsvarande undersökning kunde lika bra göras inom andra yrkesområden, berättar Lieslehto.

 "Ett stort företag kunde vilja utveckla en modell som identifierar de arbetstagare som löper den största risken att insjukna i arbetet".

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

Mera information för media: 

Kontaktuppgifter till HUS medietjänst