KI SpotlightNewsMachine-Learning-Modell klassifiziert Resilienz von US-Gesundheitskräften mit 75,6 Prozent Genauigkeit
Logistische Regression schlägt Random Forest und SVM – Stress, Depression und Angst sind stärkste Prädiktoren für niedrige Resilienz
Mit KI erstellt◆ Fakten auf einen Blick
- Die Studie wurde in Discover Artificial Intelligence veröffentlicht.
- Der verwendete Datensatz ist 'How Right Now Mental Health & Coping', erhoben von NORC at the University of Chicago zwischen 2021 und 2022, mit 2.055 US-Respondenten.
- Es wurden drei Modelle trainiert: logistische Regression, Random Forest und Support Vector Machine.
- Die logistische Regression erreichte 75,6 % Genauigkeit und eine AUC von 0,816; Random Forest 72,6 %; SVM 70,8 %.
- Der Resilienz-Index wurde aus vier psychometrischen Variablen gebildet: Resilienz, Fähigkeit sich zu erholen, Kontrolle und Selbstvertrauen; die Population wurde am Median in hoch/niedrig dichotomisiert.
- Stress (Gewicht 0,182), Depression (0,160) und Angst (0,145) waren die stärksten Prädiktoren für niedrige Resilienz; Hoffnungslosigkeit und Schlafveränderungen trugen ebenfalls bei.
Machine-Learning-Modell erreicht 75,6 % Genauigkeit bei Resilienz-Klassifikation
Eine in Discover Artificial Intelligence veröffentlichte Studie hat Machine-Learning-Modelle eingesetzt, um die psychosoziale Resilienz von US-Gesundheitskräften zu klassifizieren. Anders als viele bisherige Untersuchungen, die sich auf Burnout konzentrieren, zielte die Arbeit darauf ab, die Fähigkeit zur aktiven Stressbewältigung vorherzusagen. Grundlage war der Datensatz "How Right Now Mental Health & Coping", den NORC at the University of Chicago zwischen 2021 und 2022 erhoben hat und der Angaben von 2.055 Befragten aus den USA umfasst. Die Forschenden bildeten aus vier psychometrischen Variablen – Resilienz, Fähigkeit sich zu erholen, Kontrolle und Selbstvertrauen – einen Resilienz-Index und teilten die Stichprobe am Median in hohe und niedrige Resilienz. Anschließend trainierten sie drei Modelle: logistische Regression, Random Forest und Support Vector Machine. Die logistische Regression erzielte mit 75,6 Prozent Genauigkeit und einer Fläche unter der ROC-Kurve (AUC) von 0,816 das beste Ergebnis. Random Forest erreichte 72,6 Prozent, die Support Vector Machine 70,8 Prozent. Die Studienautoren schlagen vor, dass solche Modelle ohne komplexe KI-Systeme von Abteilungen für betriebliche Gesundheit zur Früherkennung gefährdeter Personen eingesetzt werden könnten.
Stress, Depression und Angst als stärkste Prädiktoren identifiziert
Die Analyse der Modellgewichte zeigt, dass Stress (Gewicht 0,182), Depression (0,160) und Angst (0,145) die stärksten Prädiktoren für eine niedrige Resilienz waren. Auch Hoffnungslosigkeit und Schlafveränderungen trugen zur Vorhersage bei. Bewältigungsstrategien wie die Suche nach sozialer Unterstützung, Hobbys sowie Gebet oder Meditation waren dagegen mit höherer Resilienz assoziiert, hatten im Modell jedoch geringere Gewichte. Die Autoren weisen darauf hin, dass die gleichzeitige Nutzung mehrerer Strategien mit höheren Resilienzwerten einherging als die Anwendung nur einer einzelnen. Als Limitationen nennen sie die Querschnittsdaten, die auf Selbstauskünften beruhen, sowie die Beschränkung auf eine US-amerikanische Stichprobe. Künftige Arbeiten sollen das Modell in Lateinamerika validieren und Schlaf- oder physiologische Daten einbeziehen.
