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.

Steckbrief

Beteiligte Departemente Gesundheit
Technik und Informatik
Institut(e) Pflege
Forschungseinheit(en) Innovationsfeld Gesundheitsversorgung und Personalentwicklung
Förderorganisation BFH
Laufzeit 01.06.2024 - 31.12.2025
Projektleitung Prof. Dr. Christoph Golz
Prof. Dr. Souhir Ben Souissi

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.

Ergebnisse

An der Pilotstudie nahmen 24 Pflegefachpersonen aus zwei Gesundheitsorganisationen teil. Die Analysen zeigen vielversprechende Ergebnisse für die Stressdetektion mittels physiologischer Daten. Während Random Forest weniger gut abschnitt, erreichte der CatBoost-Klassifikator über alle Kennzahlen hinweg eine Leistung von über 94 %. Dies weist darauf hin, dass Boosting-Modelle komplexe Muster in physiologischen Signalen besonders gut erfassen können. Aufgrund der kleinen Stichprobe und identischer Stresslabels innerhalb einzelner Schichten zeigen die Resultate vor allem die methodische Machbarkeit und bilden eine Grundlage für grössere Studien. Für textbasierte Stressvorhersage erwies sich ein geeignetes Imbalance-Handling als zentral. Die Kombination von Random Forest mit SMOTE verbesserte die Modellleistung deutlich und bestätigt die Umsetzbarkeit textbasierter Ansätze. Die Smartwatch ScanWatch 2 wurde insgesamt als benutzerfreundlich bewertet. Die Bereitschaft zur täglichen Nutzung war jedoch am niedrigsten, was auf Herausforderungen bei langfristiger Anwendung hinweist. Im Durchschnitt traten über drei Monate acht Schichtwechsel auf. Frühschichten wurden als am belastendsten wahrgenommen, Mittelschichten als am wenigsten. Weiterbildungen, Schichtwechsel und Einspringen erhöhten den Work-Privacy-Konflikt, während Spät- und Halb-Schichten eher entlastend wirkten.

Ausblick

Aufbauend auf den Ergebnissen ist ein Folgeprojekt geplant, in dem deutlich umfangreichere und längerfristige Daten erhoben werden sollen. Ziel ist es, die bisherigen Erkenntnisse zu generalisieren und robuste Modelle zu entwickeln, die eine zuverlässige und praxisnahe Stressmessung im Pflegealltag ermöglichen. Neben der Erweiterung der Stichprobe sollen zusätzliche Modalitäten integriert und geprüft werden. Durch die multimodale Datengrundlage soll ein Modell entstehen, das Stress differenziert erfassen kann und langfristig als Grundlage für präventive Massnahmen, Feedbacksysteme und organisatorische Verbesserungen dient.