Învățarea automată prezice reziliența psihosocială a lucrătorilor din domeniul sănătății
O echipă de cercetători a antrenat trei modele de învățare automată – Regresie Logistică, Pădure Aleatoare și Mașini cu Vectori de Susținere (SVM) – pentru a clasifica lucrătorii din domeniul sănătății în funcție de nivelul lor de reziliență psihosocială, folosind informații colectate în timpul pandemiei COVID-19.
Modelul de Regresie Logistică a generat cele mai precise rezultate, cu o acuratețe de 75,6% și o arie sub curba ROC de 0,816, depășind astfel Pădurea Aleatoare (72,6%) și Mașinile cu Vectori de Susținere (70,8%). Studiul a fost publicat în revista Discover Artificial Intelligence.
Deosebit de multe studii care analizează sănătatea mintală a lucrătorilor din domeniul sănătății, care se concentrează pe burnout și alte rezultate negative, această cercetare a avut ca scop prezicerea capacității unei persoane de a face față activ stresului.
Pentru antrenarea modelelor, echipa a utilizat setul de date „How Right Now Mental Health & Coping”, colectat de NORC la Universitatea din Chicago între 2021 și 2022, care cuprinde 2.055 de respondenți din Statele Unite. Cercetătorii au construit un index de reziliență bazat pe patru variabile psihometrice – reziliență, capacitate de recuperare, control și încredere – și l-au împărțit în două niveluri, ridicat și scăzut, folosind mediana ca punct de tăiere.
Rezultatele arată că stresul, având o pondere de 0,182 în model, depresia (0,160) și anxietatea (0,145) sunt cei mai puternici predictori ai rezilienței scăzute, urmați de lipsa de speranță și modificările în somn. Strategiile de coping – căutarea suportului social, implicarea în hobby-uri, rugăciunea și meditația – au avut o pondere mai mică în model, dar au fost asociate cu o reziliență mai mare. Efectul acestora pare să fie cumulativ; cu alte cuvinte, respondenții care au raportat utilizarea mai multor strategii simultan au avut, în medie, scoruri mai mari decât cei care au folosit doar una.
Cercetătorii subliniază că datele reprezintă un singur moment în timp, sunt bazate pe autoevaluările participanților și provin dintr-o populație din SUA. Aceste aspecte limitează gradul în care concluziile pot fi aplicate în alte sisteme de sănătate, inclusiv cele din America Latină. Prin urmare, ei propun ca următorul pas să fie validarea modelului cu lucrători din domeniul sănătății din America Latină și încorporarea altor măsuri, cum ar fi datele de somn sau indicatorii fiziologici.
Autorii sugerează, de asemenea, că modele de acest tip, bazate pe date existente, ar putea fi folosite de departamentele de sănătate ocupațională pentru a identifica persoanele aflate în risc într-un stadiu incipient, fără a se baza pe sisteme complexe de inteligență artificială.
