Computational methods in analysing on-call duty doctors’ working hour data

Thumbnail Image

Files

master_Isoviita_Veli-Matti_2020.pdf (1.1 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2020-10-20

Department

Major/Subject

Systems and Operations Research

Mcode

SCI3055

Degree programme

Master’s Programme in Mathematics and Operations Research

Language

en

Pages

63+4

Series

Abstract

The working environment of on-call physicians has been transforming during the last decades. Drivers such as population aging and health care centralisation are modifying the workload of emergency clinics, where physicians work in shifts up to 24 hours long. Disturbances in normal sleeping rhythm are known to decrease cognitive capacity, and shift work in general is associated with increased risk of morbidities such as cardiovascular diseases. There has been no extensive studies about how the different shift plans affect the health of on-call physicians. Finnish Institute of Occupational Health's (FIOH) project Well-being at work, sickness absence and occupational injuries among hospital physicians in on-call work studies with a broad data set physicians' sick leaves, occupational injuries and well-being. The shift data ranges from 2008 to 2018 and contains special health care districts employing approximately 90% of Finland's public sector special health care physicians. This thesis is done as a part of FIOH's study with an aim to create and apply computational methods which could reveal from the shift data patterns and variables predicting occupational injuries and sick leaves. The effects of shift plans are analysed with Extra-Trees classifiers, logistic regression, artificial neural networks and $k$-nearest neighbours algorithms. These machine learning (ML) methods could find signals from extensive and noisy data sets and discover new unlinear and multivariate relationships within the underlying variables. In order to efficiently run the computationally expensive analyses, a technical implementation with parallel computing capabilities is presented. The models and implementation demonstrated the possibility to perform automated shift data analyses and could predict occupational injuries and sick leaves with over 0.9 accuracy. The analyses also indicated how the exposure increasing risk of occupational accidents lies in days prior to the event, whereas the exposure preceding sick leaves is measured in weeks. The trained ML models could be used in shift planning software as risks indicators and the data engineering pipeline could be utilized in more thorough epidemiological studies.

Päivystävien lääkäreiden työ on ollut muutoksessa viimeiset vuosikymmenet. Väestön ikääntyminen ja terveydenhuollon keskittäminen muokkaavat työkuormaa päivystyspisteissä, joissa lääkäreiden työvuorot saattavat olla jopa 24 tuntia pitkiä. Normaalin unirytmin häiriöiden on todettu aiheuttavan kognitiivisia ongelmia ja yleisesti vuorotyön tekeminen liittyy lisääntyneeseen sairastavuuteen kuten sydän- ja verenkiertosairauksiin. Vuorotyöjärjestelyiden vaikutusta päivystävien lääkäreiden terveyteen ei ole aiemmin tutkittu laajasti. Työterveyslaitoksen (TTL) projekti Päivystystyötä tekevien lääkäreiden työhyvinvointi, sairauspoissaolot ja työtapaturmat tutkii laajalla aineistolla lääkäreiden sairauspoissaoloja, työtapaturmia ja työhyvinvointia. Aineisto kattaa vuorotyöt vuosilta 2008-2018 ja sairaanhoitopiirit, jotka työllistävät noin 90% Suomen julkisen erikoissairaanhoidon lääkäreistä. Tämä diplomityö on tehty osana TTL:n projektia, tavoitteena luoda ja implementoida malleja työtapaturmien ja sairauslomien ennustamiseen. Vuorotyön vaikutuksia analysoitiin Extra-Trees-luokittelijalla, logistisella regressiolla, hermoverkoilla ja $k$ lähimmän naapurin menetelmällä. Nämä koneoppimismenetelmät voivat paljastaa signaaleja laajoista ja kohinaisista tietojoukoista ja löytää uusia, epälineaarisia ja usean muuttujan välisiä yhteyksiä. Jotta huomattavaa laskentatehoa tarvitsevia malleja voidaan käyttää tehokkaasti, myös rinnakkaislaskentaan kykenevä tekninen toteutus on esitelty. Mallit ja implementaatio osoittautuivat tehokkaiksi automaattisessa data-analytiikassa ja pystyivät ennustamaan sairauslomia ja työtapaturmia yli 0.9 ulkoisella tarkkuudella. Analyysien tulokset viittaavat siihen, että työtapaturmiin liittyvä altiste sijaitsee päivien pituisella ajanjaksolla ennen tapaturmaa, mutta sairausloman altiste on viikkojen pituinen. Opetettuja malleja voidaan hyödyntää työvuorosuunnittelussa riski-indikaattoreina ja implementaatiota käyttää tarkemmissa epidemiologisissa tutkimuksissa.

Description

Supervisor

Ehtamo, Harri

Thesis advisor

Koskinen, Aki

Keywords

physicians, occupational healthcare, shift work, machine learning, computational models

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202010255995

Collections

[dipl] Perustieteiden korkeakoulu / SCI