Arbetshälsoinstitutets pressmeddelande 8.12.2022
Materialbaserade maskininlärningsmodeller tillämpades inom Arbetshälsoinstitutets, Östra Finlands universitets och Helsingfors universitets gemensamma konsortiumprojekt. Syftet var att på ett allt bättre sätt förstå vårdarbetets oregelbundna arbetstider och deras koppling till exempel till sjukfrånvaro och olycksfall.
Konsortiumprojektet fick finansiering från Finlands Akademis DIGIHUM-program och inom projektet användes information om arbetstider och frånvaro på dagsnivå från skiftplaneringsprogrammet i ett sjukvårdsdistrikt och uppgifter om arbetsolycksfall från Olycksfallsförsäkringscentralen.
– Det digitala materialet granskades med nya betraktelsesätt, vilket möjliggjorde noggrannare information om hur olika arbetstidsegenskaper framkommer och om minimiperioder med olika längd inom vilka det lönar sig att granska arbetstiderna, konstaterar forskningsprofessor Annina Ropponen.
Maskininlärningsmodeller och artificiell intelligens stöder forskarna
I Finland är arbetstiderna för vårdarbetet inom den offentliga sektorn periodiskt arbete och sålunda tämligen oregelbundna. Arbetstider som planerats för perioder på tre veckor kan ändras mycket till exempel på grund av frånvaro eller andra faktorer som påverkar arbetstagarnas tillgänglighet.
I undersökningen testades vilka arbetstidsrelaterade egenskaper (såsom arbetstidens längd, kvälls- eller nattarbete) materialbaserade maskininlärningsmodeller identifierar när det sker olycksfall i arbetet. Artificiell intelligens identifierade sex olika arbetstidsgrupper med avvikande risk för olycksfall.
Inom vårdarbete utför en del av arbetstagarna ganska regelbundet arbete som betonar morgonskift. Å andra sidan finns det också arbetstagare med mycket långa och mycket sena arbetspass eller långa och sena arbetspass utan tillräckligt med vila mellan skiften. Jämfört med arbetstagare som utför regelbundna morgonskift hade personer med mer varierande arbetspass en större risk för arbetsolycksfall.
Minimiperioden kan lösa belastningsproblemet
Minimiperioden är något som det lönar sig att granska särskilt inom oregelbundna arbetstider. Den är viktig eftersom den påverkar arbetsbelastningen och tröttheten och möjligheterna till återhämtning. Materialbaserade maskininlärningsmodeller erbjuder ytterligare information även för detta.
I undersökningen jämfördes perioder med olika längd vid förutsägande av de första sjukfrånvaroperioderna under uppföljningen. Minimiperioderna varierade mellan tio dagar och upp till ett halvt år. Arbetsdagens längd hade inget samband med risk för sjukfrånvaro vid perioder på 30 dagar eller mindre. Ett längre arbetspass å sin sida hade ett samband med en mindre risk för sjukfrånvaro då minimiperiodens längd var minst 40 dagar. Förbindelsen mellan dessa var starkast när perioden var 120 dagar.
– Resultaten visar att materialbaserade maskininlärningsmodeller hjälper att fördjupa informationen om hur vårdarbetets olika arbetstidsegenskaper är förknippade med välbefinnandet och hälsan. Dessa nya betraktelsesätt hjälper bland annat med att rikta den bedömning av arbetstidernas belastande karaktär som utvecklas av Arbetshälsoinstitutet och styra arbetstidsplaneringen inom periodiskt arbete allt mer mot regelbundna arbetstider och tillräckliga vilotider, bedömer Ropponen.
Ytterligare information
Forskningsprofessor Annina Ropponen, Arbetshälsoinstitutet, tfn 043 825 1392, annina.ropponen [at] ttl.fi (annina[dot]ropponen[at]ttl[dot]fi)
Forskningsartiklar
Bekanta dig med materialet
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
Läs också
Projektets webbplats (på finska): Terveydenhuollon työolokuormituksen mittaaminen digitaalisten datalähteiden avulla | Arbetshälsoinstitutet (ttl.fi)
Työaikojen kuormittavuuden arviointi | Arbetshälsoinstitutet (ttl.fi)
