Technologische Erkennung von arbeitsbedingtem Stress bei Pflegefachpersonen

Die Hälfte der Pflegenden verlässt ihren Beruf frühzeitig wegen Stress. Mit Fragebogen lässt sich der Stress nicht mehr adäquat erfassen. Unser Projekt zielt darauf ab, die Stressmessung mithilfe innovativer Technologien zu revolutionieren.

Ausgangslage

In den Gesundheitsorganisationen mangelt es an Gesundheitspersonal, und fast die Hälfte der Pflegenden verlässt ihren Beruf vorzeitig aufgrund von hohem arbeitsbedingtem Stress. Die bisherige Forschung zu arbeitsbedingtem Stress stützt sich auf Erhebungen mittels Fragebogen, aber die Rücklaufquoten sind aufgrund des hohen arbeitsbedingten Stresses bei Pflegenden und der steigenden Zahl von Studien rückläufig. Um die Wirksamkeit von Massnahmen zu bewerten, ist eine kontinuierliche Überwachung von Stress unerlässlich. Daher werden alternative Ansätze zur Stressmessung benötigt, die nicht auf Umfragen beruhen, wie z. B. tragbare Geräte und Routinedaten. Diese Ansätze sollen Einblicke in das Stressniveau und Vorhersagen über einen möglichen Berufsausstieg ermöglichen, ohne das Pflegepersonal mit zusätzlichen Aufgaben zu belasten. Die zentrale Forschungsfrage lautet, ob es möglich ist, arbeitsbedingten Stress bei Pflegenden mithilfe dieser zusätzlichen Datenquellen genau zu messen und so die Notwendigkeit herkömmlicher Umfragen zu vermeiden.

Vorgehen

Wir verwenden ein Längsschnittdesign mit wiederholten Messungen, an denen 24 Pflegende teilnehmen. Der Schwerpunkt liegt auf der Datentriangulation aus den folgenden Datenquellen: (a) Wearables zur Pulsmessung, (b) Textdaten aus dem klinischen Informationssystem, die von den Teilnehmenden verfasst wurden, und (c) die Schichtpläne der Teilnehmenden. Diese Daten werden über die persönliche ID mit dem selbst eingeschätzten arbeitsbezogenen Stress verknüpft. Nach der Datenerfassung wird überprüft, dass die Informationen keine identifizierenden Details enthalten. Dadurch wird der Schutz der Privatsphäre gewährleistet und gleichzeitig die Datenintegrität für eine genaue Analyse sichergestellt. Darüber hinaus werden wir ein multimodales Machine Learning Modell entwickeln, das in der Lage ist, diese verschiedenen Datenquellen (a, b und c) zu synthetisieren und zu analysieren. Dieses Modell zielt darauf ab, komplexe Muster zwischen selbst eingeschätzten Stresswerten, Biomarkern, sprachlichen Indikatoren und Arbeitsplänen zu eruieren.

Kontakt

Dr. Christoph Golz

• Leiter IF GV & Personalentwicklung
• +41 31 848 45 91
• E-Mail anzeigen

• Zum Profil

Dieses Projekt leistet einen Beitrag zu den folgenden SDGs

•