Työterveyslaitoksen mediatiedote 8.12.2022
Työterveyslaitoksen, Itä-Suomen yliopiston ja Helsingin yliopiston yhteisessä konsortiohankkeessa sovellettiin aineistolähtöisiä koneoppimismalleja. Pyrkimyksenä oli ymmärtää entistä paremmin hoitotyön epäsäännöllisiä työaikoja ja niiden yhteyttä esimerkiksi sairauspoissaoloihin ja tapaturmiin.
Konsortiohanke sai rahoituksen Suomen Akatemian DIGIHUM-ohjelmasta ja siinä käytettiin yhden sairaanhoitopiirin vuorosuunnitteluohjelmistosta saatua päivätasoista tietoa työajoista ja poissaoloista sekä Tapaturmavakuutuskeskuksen tietoja työssä tapahtuneista tapaturmista.
– Digitaalisia aineistoja tarkasteltiin uusilla lähestymistavoilla, jolloin pystyttiin aiempaa tarkemmin saamaan tietoa eri työaikapiirteiden ilmenemisestä ja eri pituisista aikaikkunoista, joissa työaikoja kannattaa tarkastella, tutkimusprofessori Annina Ropponen toteaa.
Koneoppimismallit ja tekoäly tutkijoiden apuna
Suomessa julkisen sektorin hoitotyön työajat ovat jaksotyötä ja siten varsin epäsäännöllisiä. Kolmeviikkoisjaksoihin suunnitellut työajat voivat muuttua paljonkin esimerkiksi poissaolojen tai muiden työntekijöiden saatavuuteen vaikuttavien tekijöiden vuoksi.
Tutkimuksessa testattiin, mitä työaikapiirteitä (kuten työajan pituus, ilta- tai yötyö) aineistolähtöiset koneoppimismallit tunnistavat, kun työssä tapahtuu tapaturmia. Tekoäly tunnisti kuusi erilaista työaikaryhmää, joilla oli erilainen tapaturmariski.
Hoitotyössä osa työntekijöistä tekee varsin säännöllistä, aamuvuoropainotteista työtä. Toisaalta on myös työntekijöitä, jotka tekevät hyvin pitkiä ja hyvin myöhäisiä työvuoroja tai pitkiä ja myöhäisiä työvuoroja ilman riittävää lepoa vuorojen välillä. Verrattuna säännöllistä aamuvuoroa tekeviin vaihtelevampia työvuoroja tekevillä oli korkeampi työtapaturmariski.
Aikaikkuna voi ratkaista kuormituksen
Aikaikkuna, jossa etenkin epäsäännöllisiä työaikoja kannattaisi tarkastella, on tärkeä, koska se vaikuttaa työkuormituksen tai väsymyksen kertymiseen ja palautumismahdollisuuksiin. Aineistolähtöiset koneoppimismallit tarjoavat tähänkin lisätietoa.
Tutkimuksessa vertailtiin eri pituisia aikaikkunoita ennustettaessa ensimmäistä sairauspoissaolojaksoa seurannan aikana. Aikaikkunat vaihtelivat kymmenestä päivästä aina puoleen vuoteen. Työpäivän pituus ei ollut yhteydessä sairauspoissaoloriskiin 30 päivän tai sitä lyhyemmissä aikaikkunoissa. Pidempi työvuoro oli sen sijaan yhteydessä vähäisempään sairauspoissaoloriskiin, kun aikaikkunan pituus oli vähintään 40 päivää. Yhteys oli vahvin, kun aikaikkuna oli 120 päivää.
– Tulokset osoittavat, että aineistolähtöiset koneoppimismallit auttavat syventämään tietoa siitä, miten hoitotyön erilaiset työaikapiirteet ovat yhteydessä hyvinvointiin ja terveyteen. Nämä uudet lähestymistavat auttavat muun muassa suuntaamaan Työterveyslaitoksen kehittämää työaikojen kuormittavuuden arviointia ja ohjaamaan jaksotyön työaikasuunnittelua entistä enemmän säännöllisten työaikojen suuntaan ja riittäviin lepoaikoihin, Ropponen arvioi.
Lisätiedot
Tutkimusprofessori Annina Ropponen, Työterveyslaitos, puh 043 825 1392, annina.ropponen [at] ttl.fi (annina[dot]ropponen[at]ttl[dot]fi)
Tutkimusartikkelit
Tutustu aineistoon
Ervasti J, Peutere L, Virtanen M, Krutova O, Koskinen A, Härmä M, Kivimäki M, Ropponen A. Concurrent trajectories of self-rated health and working hour patterns in health care shift workers: A longitudinal analysis with 8-year follow-up. Front Public Health. 2022 Sep 6;10:926057. doi: 10.3389/fpubh.2022.926057. https://www.frontiersin.org/articles/10.3389/fpubh.2022.926057/full
Krutova O, Koskinen A, Peutere L, Ervasti J, Virtanen M, Härmä M, Ropponen A. A Longitudinal Study on Trajectories of Night Work and Sickness Absence among Hospital Employees. Int J Environ Res Public Health. 2022 Jul 3;19(13):8168. doi: 10.3390/ijerph19138168. https://www.mdpi.com/1660-4601/19/13/8168
Tutustu myös
Työaikojen kuormittavuuden arviointi | Työterveyslaitos (ttl.fi)
