A Multimodal Physiological Dataset for Nurse Stress Detection

एक नर्स का दैनिक जीवन मानवीय आवश्यकताओं और कठोर समय-सारणी के बीच एक निरंतर समझौता है। वे उच्च कार्यभार, भावनात्मक मांगों और लंबी शिफ्टों के शारीरिक प्रभाव को प्रबंधित करते हुए मरीजों की देखभाल करती हैं। दशकों से, शोधकर्ता जानते हैं कि यह वातावरण महत्वपूर्ण तनाव पैदा करता है, जो नर्स के स्वास्थ्य और रोगी देखभाल की गुणवत्ता को नुकसान पहुँचा सकता है। पारंपरिक रूप से, इस तनाव को समझने के लिए अक्सर लोगों से यह पूछने पर निर्भर रहा जाता है कि वे कैसा महसूस करते हैं, जो अक्सर घटना के बहुत बाद में होता है, या बर्नआउट (burnout) के बारे में व्यापक आंकड़ों को देखा जाता है। हालाँकि, तनाव एक ऐसी चीज़ नहीं है जिसे एक उपकरण से मापा जा सके; यह एक जटिल प्रतिक्रिया है जिसमें शामिल है कि एक व्यक्ति अपने दिन के बारे में कैसे सोचता है, उसका शरीर वास्तविक समय में शारीरिक रूप से कैसे प्रतिक्रिया देता है, और उनके कार्य कार्यक्रम की विशिष्ट परिस्थितियाँ क्या हैं। चुनौती इन सभी हिस्सों को वास्तविक समय में, बिना अध्ययन किए जा रहे काम में बाधा डाले, एक साथ देखने का तरीका खोजने की थी।

स्विट्जरलैंड में शोधकर्ताओं की एक टीम ने तीन अलग-अलग सूचना स्रोतों को जोड़कर नर्स के तनाव की एक नई तरह की तस्वीर बनाने का लक्ष्य रखा: जो नर्सें महसूस करती थीं, उनका शरीर क्या कर रहा था, और उनके कार्य कार्यक्रम वास्तव में कैसे थे। उन्होंने एक अस्पताल में काम करने वाली चौबीस नर्सों को चुना और उनसे तीन महीने तक स्मार्टवॉच पहनने को कहा। इन घड़ियों ने नर्सों की हृदय गति और शरीर के तापमान को लगातार रिकॉर्ड किया। हर शिफ्ट के बाद, नर्सों ने अपने दिन के प्रति संतुष्टि, तनाव के स्तर और यह कि शिफ्ट उनके व्यक्तिगत जीवन के साथ कितनी मेल खाती है, के बारे में एक संक्षिप्त डिजिटल प्रश्नावली भरी। शोधकर्ताओं ने नर्सों की शिफ्टों के आधिकारिक अस्पताल रिकॉर्ड भी एकत्र किए, जिसमें नियोजित (planned) शेड्यूल और वास्तव में काम किया गया शेड्यूल, दोनों शामिल थे, जिससे यह देखा जा सके कि कहाँ बदलाव या व्यवधान आए।

लक्ष्य यह देखना था कि क्या इन विभिन्न डेटा धाराओं को तनाव के समय की पहचान करने के लिए एक साथ बुना जा सकता है। शोधकर्ताओं को पहले दैनिक प्रश्नावली के उत्तरों को प्रत्येक शिफ्ट के लिए एक स्पष्ट लेबल में बदलना पड़ा, जिसमें उत्तरों के संयोजन के आधार पर उन्हें तनाव रहित, हल्के तनाव वाले, या अत्यधिक तनाव वाले के रूप में वर्गीकृत किया गया। इसके बाद उन्होंने इन लेबलों को घड़ियों से प्राप्त शारीरिक डेटा और कार्य कार्यक्रम के विवरण के साथ मिलाया। परिणाम स्वरूप एक विशाल डेटासेट प्राप्त हुआ जिसमें सोलह हजार से अधिक व्यक्तिगत अवलोकन शामिल थे, जिनमें से प्रत्येक एक विशिष्ट क्षण को हृदय गति, तापमान, शिफ्ट के प्रकार और तनाव लेबल से जोड़ता था। यह डेटा संग्रह नर्सों की वास्तविक कार्य स्थितियों की एक दुर्लभ झलक प्रस्तुत करता है, जो प्रयोगशाला के नियंत्रित वातावरण से आगे बढ़कर अस्पताल के व्यस्त और अप्रत्याशित वास्तविकता तक पहुँचता है।

जब टीम ने यह परीक्षण किया कि क्या एक कंप्यूटर प्रोग्राम इस डेटा का उपयोग करके तनाव को पहचानने के लिए सीख सकता है, तो उन्होंने पाया कि केवल शरीर को देखना पर्याप्त नहीं था। एक मॉडल जिसने केवल हृदय गति और शरीर के तापमान का उपयोग करके तनाव की भविष्यवाणी करने की कोशिश की, वह खराब प्रदर्शन करता रहा और अक्सर गलत अनुमान लगाता रहा। स्थिति नाटकीय रूप से बदल गई जब शोधकर्ताओं ने काम का संदर्भ (context) जोड़ा। कंप्यूटर प्रोग्राम बहुत अधिक सटीक हो गया जब इसे उस विशिष्ट शिफ्ट पर विचार करने की अनुमति दी गई जो नर्स कर रही थी, सप्ताह का दिन, और यहाँ तक कि स्वयं नर्स की पहचान पर भी विचार करने दिया गया। सबसे अच्छा प्रदर्शन करने वाला मॉडल, जिसने शारीरिक संकेतों को शेड्यूल के विवरण और नर्स की पहचान के साथ जोड़ा, ने लगभग तिहत्तर प्रतिशत समय तनाव के स्तर की सही पहचान की। यह सुझाव देता है कि इस पेशे में तनाव को समझने के लिए, आप केवल धड़कते दिल को नहीं देख सकते; आपको उस संदर्भ को समझना होगा जिसमें वह दिल धड़क रहा है।

इस अध्ययन ने काम की प्रकृति पर भी प्रकाश डाला। शोधकर्ताओं ने यह देखने के लिए शेड्यूल का विश्लेषण किया कि क्या कुछ पैटर्न, जैसे कई रातें लगातार काम करना या एक छुट्टी वाले दिन का अचानक कार्यदिवस में बदल जाना, उच्च तनाव से जुड़े हैं। उन्होंने पाया कि जबकि कुछ पैटर्न, जैसे अधिक खाली दिन होना, निजी जीवन के साथ संघर्ष को कम करने से जुड़े थे, संबंध सरल नहीं था। उदाहरण के लिए, नियोजित शेड्यूल और वास्तविक शेड्यूल के बीच का अंतर हमेशा यह संकेत नहीं देता था कि नर्स तनाव में है; कभी-कभी बदलाव स्वैच्छिक या स्वागत योग्य होता था। यह इस बात को रेखांकित करता है कि शेड्यूल के कच्चे आंकड़े पूरी कहानी नहीं बताते; एक शिफ्ट का अर्थ व्यक्ति की परिस्थितियों और विकल्पों पर निर्भर करता है।

तीन महीने की अवधि के दौरान, नर्सों ने बताया कि स्मार्टवॉच का उपयोग करना आम तौर पर आसान और स्वीकार्य था, और औसत उपयोगिता स्कोर (usability score) इंगित करता है कि तकनीक ने उनके काम में महत्वपूर्ण रूप से बाधा नहीं डाली। यह एक महत्वपूर्ण निष्कर्ष है, क्योंकि यह बताता है कि एक व्यस्त अस्पताल में इस तरह के विस्तृत, निरंतर डेटा को एकत्र करना कर्मचारियों को अभिभूत किए बिना संभव है। हालाँकि, शोधकर्ता इस बात पर भी ध्यान देने में सावधानी बरतते हैं कि उनके निष्कर्ष एक अंतिम समाधान के बजाय एक शुरुआती बिंदु हैं। नर्सों का समूह अपेक्षाकृत छोटा था, और मॉडल तब सबसे अच्छा प्रदर्शन करते थे जब वे विशिष्ट व्यक्तियों को "याद" रख पाते थे, जिसका अर्थ है कि सिस्टम ने सामान्य तनाव के बजाय उन विशेष लोगों के बारे में अधिक सीखा। अध्ययन ने यह साबित नहीं किया कि एक विशिष्ट शेड्यूल तनाव का कारण बनता है, लेकिन इसने यह प्रदर्शित किया कि जब लोग क्या महसूस करते हैं, उनका शरीर क्या करता है, और उनके शेड्यूल के क्या होते हैं, इसे एक साथ जोड़ने से किसी भी एकल जानकारी की तुलना में कहीं अधिक स्पष्ट तस्वीर मिलती है।

अंततः, यह कार्य दर्शाता है कि स्वास्थ्य सेवा में व्यावसायिक तनाव को समझने और प्रबंधित करने का मार्ग एकीकरण में निहित है। श्रमिकों के व्यक्तिपरक अनुभव, उनके शरीर के वस्तुनिष्ठ संकेतों और उनके शेड्यूल की संरचनात्मक वास्तविकता को एक साथ लाकर, शोधकर्ता उन उपकरणों का निर्माण करना शुरू कर सकते हैं जो नर्सिंग की जटिल वास्तविकता के प्रति संवेदनशील हों। इस अध्ययन में एकत्र किया गया डेटा अब दूसरों के उपयोग के लिए उपलब्ध है, जो बीमारों की देखभाल करने वालों के कल्याण के लिए बेहतर तरीके विकसित करने हेतु एक आधार प्रदान करता है। यह कार्य पुष्टि करता है कि जबकि तनाव एक व्यक्तिगत और आंतरिक अनुभव है, यह शिफ्ट, शेड्यूल और अस्पताल की दैनिक लय की बाहरी दुनिया में गहराई से निहित है।