• E3 Pandemic Response

Koneoppiminen auttaa ennakoimaan terveydenhuoltohenkilökunnan henkisen kuormituksen pandemian aikana

Myös E3 projektissa tiivisti mukana oleva Helsingin yliopistollisen sairaalan lääkäri ja tutkija Enni Sanmark kertoo terveydehuoltohenkilökunnan henkisen kuormituksen ennakoivaa tunnistamista käsittelevästä tutkimuksesta.



Koronaviruspandemian aikana terveydenhuollon työntekijät ovat olleet kuormittuneita, ja myös sairauspoissaolojen määrät terveydenhuoltohenkilöstön keskuudessa ovat olleet korkeita.


Tuore tutkimus osoittaa, että koneoppimismenetelmin on mahdollista etukäteen tunnistaa ne terveydenhuollon työntekijät, jotka ovat riskissä kuormittua koronaviruspandemian aikana. Henkilöt, joiden koneoppimismalli ennusti olevan suuressa riskissä kuormittua psyykkisesti, jäivät myös todennäköisemmin sairauslomalle puolen vuoden seurantajakson aikana kuin ne, joiden riskin kuormittua koneoppimismalli arvioi vähäiseksi.


Tutkimuksen perusteella voisi siis olla mahdollista kehittää tulevaisuudessa työkaluja psyykkisen kuormittuneisuuden varhaiseen tunnistamiseen ja siten myös sairauspoissaolojen ennaltaehkäisemiseen yksilötasolla.


Tutkimus tehtiin kolmessa suomalaisessa organisaatiossa: Helsingin ja Uudenmaan sairaanhoitopiiri (HUS), Kymenlaakson sosiaali- ja terveyspalvelujen kuntayhtymä (Kymsote) ja Helsingin kaupungin sosiaali- ja terveyspalvelut. Tutkimukseen osallistui yhteensä 886 terveydenhuollon ammattilaista (hoitajia ja lääkäreitä).


Kussakin organisaatiossa toteutettiin tutkijoiden toimesta terveydenhuoltohenkilöstölle sähköinen kysely kuukauden välein puolen vuoden ajan vuosina 2020-2021. Koneoppimismallit koulutettiin HUS:ssa kerätyllä aineistolla tunnistamaan tulevaisuuden psyykkinen kuormittuneisuus, minkä jälkeen malleja testattiin Kymsoten ja Helsingin kaupungin aineistolla. Mallien ennustuksia verrattiin myös toteutuneisiin sairauspoissaoloihin.


”Mallimme osoitti, että muutamalla kysymyksellä voidaan ennustaa kuormituksen kehittymistä ja sairaslomia kuukausien päähän. Yksinkertaisella kysymyspatteristolla voitaisiin siis poimia erityisen tuen piiriin sitä tarvitsevat ja ehkäistä näin ollen kuormittumista sekä sairaspoissaoloja”, toteaa Enni Sanmark HUS:sta.

Koneoppimismallit painottivat tekijöitä, jotka on aiempien tutkimusten perusteella yhdistetty psyykkiseen kuormittuneisuuteen, kuten koettu työn kuormittavuus ja suora kontakti koronaviruspotilaiden hoitoon. Lisäksi mallit painottivat myös työntekijöiden mahdollisuutta pitää turvavälejä työssään, mikä saattaa kertoa hoitohenkilökunnan huolesta huolehtia omasta ja potilaiden turvallisuudesta.


Hoitohenkilökunnan psyykkisen kuormittuneisuuden tunnistamisesta koronaviruspandemian aikana on aiemmin ollut rajallisesti tutkimustietoa. Pandemian aikana hoitohenkilökunta on joutunut venymään huomattavasti, mikä on myös näkynyt tyytymättömyytenä ja väsymyksenä hoitohenkilökunnan keskuudessa. Hoitoalan työtaistelutoimet liittyvät palkkauksen ohella myös hoitajien työoloihin sekä henkilöstöpulaan, ja työtaistelun yhteydessä onkin tuotu voimakkaasti esiin hoitotyön kuormittavuutta.


Tutkimustulostemme perusteella työnantajien tulisi kehittää psyykkisen kuormittuneisuuden tunnistamista, mikä voisi tarjota mahdollisuuden räätälöidyille ennaltaehkäiseville interventioille ja siten myös näkyä sairauspoissaolojen vähenemisenä.


Linkki artikkeliin: https://pubmed.ncbi.nlm.nih.gov/35577884/



Tiedustelut:


Enni Sanmark, p. 0408446940

Noora Rantanen, p. 0407030981



Kuva: Canva