Koneoppiminen paljasti sairauspoissaoloriskiä ennustavat tekijät työterveysdatasta

Teksti: Joanna Sinclair

Kuva: Anu Pynnönen

Idea tutkimushankkeesta lähti siitä, kun joukko työterveyden asiantuntijoita oivalsi istuvansa melkoisen tietoaarteen päällä.

”Työterveyshuollon arkityössä kertyy valtavasti dataa. Meillä oli käytössämme yli 18 000 terveyskyselyn vastausta, jotka pystyimme yhdistämään potilastietojärjestelmän dataan”, Finla Työterveyden johtava työterveyslääkäri Anniina Anttila kertoo.

Laaja terveyskysely kattoi kymmeniä muuttujia. Suoraan terveyteen liittyvien kysymysten ohella se kartoitti esimerkiksi ruokailu- ja liikuntatottumuksia, työolosuhteita sekä työpaikan psykososiaalisia kuormitustekijöitä.

Potilastietojärjestelmästä saatavasta aineistosta voitiin hyödyntää muun muassa sairauspoissaolopäivien, sairauspoissaolojaksojen ja vastaanottokäyntien lukumäärät.

”Aineisto käsiteltiin täysin anonyymisti Findatan tietoturvallisessa Kapseli-ympäristössä, johon oli pääsy vain rajatulla joukolla tutkijoita”, Anttila painottaa.

Työsuojelurahaston rahoittama tutkimus tuotti työyhteisöille erityisen kiinnostavaa tietoa, sillä poissaolodata alkoi jo ensimmäisestä sairauspäivästä.

”Monet tutkimukset alkavat Kelan sairauspäivärahasta kymmenennen päivän kohdalla. Päivillä 1–9 on kuitenkin iso merkitys, sillä on todettu, että jo lyhyet poissaolot ennustavat tulevaa työkyvyttömyyttä”, Anttila huomauttaa.

”Työnantaja maksaa tuolta ajalta koko palkan – ja työntekijän poissaololla on usein ensimmäisinä päivinä erityisen iso merkitys työn sujuvuuden kannalta.”

Koneoppiminen auttoi seulomaan laajaa aineistoa

Ison tietomassan seulomisessa hyödynnettiin koneoppivia algoritmeja, joiden avulla tunnistettiin sairauspoissaolon riskiin eniten vaikuttavat tekijät.

”Käytimme klusteroinnissa ohjaamatonta koneoppimista, jossa lähtökohtana ei ole ennakkoon luotu hypoteesi, vaan koneen annetaan löytää yhteyksiä, joita ihminen ei välttämättä tulisi ajatelleeksi”, Anttila sanoo.

Klusterointianalyysilla tunnistettiin kuusi erilaista työntekijäprofiilia. Osassa ryhmiä pitkiä poissaoloja esiintyi selvästi enemmän, kun taas toisissa lyhyitä poissaoloja oli yleisemmin.

Lyhyitä, toistuvia sairauspoissaoloja esiintyi vähiten niillä työntekijöillä, joilla oli mahdollisuus vaikuttaa työnsä sisältöön, työtahtiin ja työaikaan.

”Kaikkein vähiten niin lyhyitä kuin pitkiä poissaoloja oli klusterilla 1. Heillä oli positiivisimmat vastaukset työyhteisön ilmapiiristä ja johdon toiminnasta, ja he kokivat saavansa arvostusta työssään”, Anttila toteaa.

Lyhyitä, toistuvia sairauspoissaoloja esiintyi vähiten niillä työntekijöillä, joilla oli mahdollisuus vaikuttaa työnsä sisältöön, työtahtiin ja työaikaan. Työterveyden parissa liki koko uransa työskennellyttä Anttilaa tämä ei yllättänyt.

”Se on täysin loogista. Jos voit itse vaikuttaa työsi sisältöön, saatat esimerkiksi vatsataudista toivuttuasi palata nopeammin vaikkapa etätöihin tekemään kevyempiä rutiinitöitä. Mutta jos koet, että sinulla ei ole sananvaltaa siihen, mitä töissä teet, et todennäköisesti palaa töihin ennen kuin olet varma jaksamisestasi.”

Mikäli luottamus esihenkilön ja työntekijän välillä on kunnossa ja työnkuva sen sallii, kannattaa työnantajan Anttilan mielestä antaa ammattilaisille vapautta päättää, miten työnsä hoitavat.

”Tutkimuksemme mukaan lyhyet poissaolot näyttävät vähenevän ihan tuntuvasti, kun työntekijöillä on autonomiaa.”

Tarkemmin kohdennettua työterveydenhuoltoa

Tutkimuksessa hyödynnetty klusterianalyysi osoittautui tehokkaaksi keinoksi jäsentää työterveydenhuollossa kertyvää monipuolista dataa. Sen avulla paljastui lukuisia asioita, joita olisi ollut muuten vaikea tunnistaa.

”Kävi esimerkiksi ilmi, että jos työntekijällä on sydän- ja verisuonitautien ja aineenvaihdunnan riskitekijöitä, hän ei usein itse tiedosta kohonnutta työkykyriskiään”, Anttila kertoo.

”Tutkimuksemme osoitti myös, että masennusoireita kartoittavassa DEPS-seulassa on kysymyksiä, jotka auttavat ennakoimaan sekä toistuvia lyhyitä että pitkiä sairauspoissaoloja. Seula on tietysti suunniteltu käytettäväksi kokonaisuutena, mutta sivutuotteena sen avulla voisi ennakoida sairauspoissaoloriskiä”, hän pohtii.

”Liikunta, painonhallinta, uni, alkoholinkäyttö ja tupakointi – näillä on hyvin selkeä yhteys sairauspoissaoloihin.”

Vaikka tutkimuksessa löytyi uusia keinoja ennustaa työkykyriskejä, nousivat vanhat tutut elämäntapa-asiat aineistossa myös selvästi esiin.

”Liikunta, painonhallinta, uni, alkoholinkäyttö ja tupakointi – näillä on hyvin selkeä yhteys sairauspoissaoloihin. Luottamuksellinen vuorovaikutus esihenkilötyössä ei ratkaise kaikkea, vaikka työntekijän mahdollisuus vaikuttaa työhönsä ennustikin parhaiten toistuvia lyhyitä sairauspoissaoloja”, Anttila naurahtaa.

Anttila visioi, että työntekijäprofiileja tunnistamalla työterveyshuollon toimenpiteet voidaan jatkossa kohdentaa tarkemmin eri työntekijäryhmien tarpeisiin ehkäisemään sairauspoissaoloja. Työkykyriskien parempi tunnistaminen yksilö- ja työpaikkatasolla helpottaisi myös työterveyshuollon vaikuttavuuden seurantaa.

”Kun sairauspoissaoloja ennakoidaan tarkemmin ja työterveyden vaikuttavuutta mitataan paremmin, kaikki voittavat – niin työntekijät, työnantajat kuin koko yhteiskunta”, hän kiteyttää.