Yritystilaus tunnistettu

Voit käyttää palvelun kaikkia sisältöjä vapaasti. Jos haluat kommentoida, kirjaudu sisään henkilökohtaisella Mediatunnuksella.

Keksittiinkö uusi keino välttää sairaslomia? – Tutkimus: Koneoppiminen löytää ylikuormittuneet terveydenhuoltotyöntekijät

Koneoppimista hyödyntämällä voidaan tunnistaa etukäteen ne terveydenhuoltohenkilöstön työntekijät, jotka kuormittuvat liikaa ja päätyvät sairauslomalle.

Se selviää tutkimuksesta, joka 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.

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.

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

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.

Tutkimus painottaa myös kommunikaation merkitystä jaksamiselle.

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