以智慧型手錶的生理徵象監測建立急診醫護過勞示警

Abstract

"因工作產生的疲勞一直是職場上值得關注的問題之一。此外，醫護人員的工作疲倦，不僅會影響醫護人員的健康，甚至有可能影響患者的安全。過去的研究方式，與過勞相關的研究多是在下班後，以問卷和量表的形式進行，而不是即時監測的方式。隨著科技的進步，穿戴式設備的發明提供了一種可行的解決方案，可以在不影響醫護人員日常工作的情況下，進行即時生理測量。同時，機器學習技術有了巨大的進步，並已應用於各個領域。在這樣的狀況下，我們才能嘗試建構一個可以即時監控過勞發生的警告系統。 此前瞻性觀察型研究於2021年3月10日至6月20日，在台大醫院急診室進行。納入研究的醫護人員會配給一支智慧型手錶 (ASUS VivoWatch SP)。這是一支消費級穿戴裝置，可以檢測心率和氧飽和度等多項生理測量值。此外參與者必須在每次工作前後，各完成一份多軸向疲勞量表。通過這種方式，我們可以找出有工作相關疲勞的醫護人員。接著我們利用量表及機器學習的方式，嘗試構建一個模型，用作即時工作相關疲勞的監控模式。 我們一共收集了1,542份有效的前後問卷。根據多軸向疲勞量表，有85人被判定有與工作相關的疲勞。在參與實驗的醫護人員中，有87.7%的人從事護理師的工作；以上班時間而言，47.7%的醫護人員於試驗期間上小夜班 (15:30~23:30)，44.5%的人員則是白班 (07:30~15:30)。我們使用了幾種目前最突出的模型 (State of the Arts) 的決策樹演算法進行建構。針對全體受試者，通過CatBoost分類器模型，在接收者操作特性曲線 (Receiver Operator Characteristic Curve, ROC) 的曲線下面積 (Area Under the Curve, AUC) 方面得到較好的表現0.838（95% CI：0.742 – 0.918）。而精確召回曲線下面積 (Area Under the Precision-Recall Curve, AUPRC)為0.527（95% CI：0.344 – 0.699）。除此之外，我們還對 35歲以下的護理師進行了次群組分析。在操作特性曲線下面積 (AUC) 得到更好的性能，其結果為0.928（95% CI：0.839 – 0.991），而精確召回曲線下面積 (AUPRC) 為0.781（95% CI：0.617 – 0.0.919）。在這個次群組分析，通過XGBoost得到比CatBoost分類器模型更好的結果，但此模組在回放到整體群組時，並不能得到更好的結果。 從穿戴式裝備萃取出的上百個特徵裡，我們利用了31個選定特徵，成功構建了一個機器學習模型。該模型能夠針對在急診室工作的醫護人員，進行與工作相關的疲勞風險進行分類。未來，我們可以將該工具應用在更多的急診人員上，有助於辨認出有工作相關疲勞風險的醫護人員，進而避免憾事發生。"