Ce au arătat rezultatele studiului?
Echipa de la Universidad Técnica Particular de Loja a dezvoltat trei clasificatoare de inteligență artificială – Logistic Regression, Random Forest și Support Vector Machine – pentru a grupa personalul medical de front după nivelul de reziliență psihosocială. Datele provin din spitalele ecuatoriene colectate în perioada de vârf a crizei COVID‑19, 2020‑2021, și au fost publicate în septembrie 2026.
Știri de ultimă oră
Desensibilizarea la ambrozie la copii: tratamentul care modifică evoluția bolii
Inteligența artificială scoate la iveală date ascunse în fișele medicale
Legumele care întrec portocalele în vitamina C și cum le consumi zilnic
Secția de cardiologie din Slatina își completează linia de gardă cu noi specialiștiAlimentează algoritmii variabile precum vârstă, gen, ore de lucru, expunere la pacienți COVID‑19, stres perceput și mărimea rețelei de sprijin. Scopul a fost să se identifice factorii care prezic cel mai bine capacitatea unui lucrător de a face față traumelor prelungite.
Logistic Regression a servit ca bază, Random Forest a captat interacțiuni non‑lineare, iar SVM a oferit o frontieră decizională în spațiu de dimensiuni mari.
Modelele au fost antrenate pe 1.200 de respondenți și validate pe un set separat de 400, obținând rate de acuratețe între 78 % și 84 %.
Ce patternuri ascunse au descoperit algoritmii?
Random Forest a fost cel mai performant, etichetând corect 84 % dintre personalul rezilient și vulnerabil. Modelul a evidențiat trei predictori dominanți: accesul constant la resurse de sănătate mintală, sprijinul perceput de la organizație și limitarea orelor suplimentare.
Logistic Regression a confirmat că fiecare oră suplimentară reduce șansele de reziliență cu aproximativ 5 %. În același timp, SVM a excelat în diferențierea cazurilor borderline, unde chestionarele tradiționale nu reușeau să capteze semnale subtile de stres.
Cercetătorii au observat că abordarea de învățare automată a descoperit legături neobișnuite, cum ar fi efectul protector al unui venit stabil în casă, pe care analizele convenționale le-au trecut cu vederea.
Echipa consideră că aceste instrumente ar putea deveni sisteme de alertă timpurie pentru administratorii de spitale. Prin introducerea datelor de personal în timp real, managerii ar putea identifica unități la risc de epuizare înainte ca crizele să apară.
Cum va arăta viitorul sistemelor de avertizare timpurie?
„Modelele noastre nu înlocuiesc judecata umană, ci oferă o perspectivă bazată pe date pentru alocarea mai eficientă a serviciilor de consiliere,” a declarat cercetătorul principal, Dr.
María Fernández. Studiul sugerează, de asemenea, că reevaluările periodice folosind aceleași variabile ar putea urmări tendințele de reziliență pe măsură ce presiunile pandemice se schimbă.
Criticii avertizează că pot apărea biasuri algoritmice dacă datele de antrenament lipsesc de diversitate, solicitând eșantionări mai largi în regiuni și profesii diferite.
Care sunt provocările și perspectivele?
Rezultatele indică o viitoare integrare a analiticii predictive în protocoalele de sănătate ocupatională.
Dacă sunt adoptate pe scară largă, astfel de modele ar putea reduce absențele, îmbunătăți continuitatea îngrijirii pacienților și reduce costurile pe termen lung ale sănătății mintale.
Lucrările în curs vizează rafinarea algoritmilor cu date longitudinale, testând dacă intervențiile timpurii bazate pe predicții pot crește reziliența în timp.
Ce date au fost folosite pentru antrenare?
Ce întrebări frecvente există?
Cercetătorii au combinat detalii demografice, programări de lucru, niveluri de expunere, scoruri de stres auto‑raportate și măsuri de sprijin social și instituțional colectate în timpul pandemiei.
Cât de precise sunt predicțiile?
Acuratețea a variat între 78 % cu Logistic Regression și 84 % cu Random Forest, ceea ce înseamnă că modelele au clasificat corect reziliența în aproximativ patru din cinci cazuri.
Vor fi folosite aceste instrumente în spitale în curând? Implementarea probabil va fi graduală, în funcție de validarea în medii diverse și de măsuri de prevenire a biasului, dar interesul administratorilor de sănătate crește.