長期病欠は予測可能か、そのリスク因子は／BMJ Open

＊翻訳は機械翻訳サービスを利用しております

目的: 機械学習、説明可能な人工知能手法、サブモデルアプローチを使用して、サービス利用や過去の病欠などのよく知られた予測因子以外の長期病欠の変数グループと個々の予測因子を特定し、調査します。
デザイン: 病気による欠勤に関する前向きに収集された登録データと健康診断で使用されるアンケートの遡及的研究。
設定: フィンランドの大規模産業保健サービス提供者の電子医療記録データ。
参加者: 2011年から2019年の間に、サービス利用データにリンクできる健康アンケートに少なくとも1回回答し、アンケート回答の1年前または3か月以内に初回健康診断を受けていない、さまざまな職業の従業員11,533人。
主要な評価項目: 2 年間の追跡期間中に少なくとも 1 回の長期病欠期間 (30 日以上) の予測因子を特定する。
結果： サブモデル群の中で、受信者動作特性曲線下面積（AUROC）値が最も高かったのは、病欠とサービス利用のサブモデル（0.68～0.74）であった。社会人口学的要因、健康習慣、または疾病データカテゴリーのサブモデルのAUROC値は0.55～0.67、質問票データのサブモデルでは0.55～0.67であった。すべてのサブモデルを組み合わせたアンサンブルモデルのAUROC値は0.79（95%信頼区間0.788～0.794）であった。サブモデルに基づいて長期病欠を予測する最も重要な因子は、報告された痛み、症状および疾病の数、BMI、および睡眠時間が短いことであった。さらに、いくつかの仕事およびメンタルヘルス関連の変数が長期病欠のリスクを増大させた。
結論: サービス利用と病気による欠勤以外の変数によって、長期の病気による欠勤を予測する精度が向上し、労働障害リスクに有益な影響を与える可能性のある介入を計画するための情報が得られます。

※新規会員登録はこちら