A Multimodal Physiological Dataset for Nurse Stress Detection

看護師の日常生活は、人間のニーズと厳格なスケジュールの間での絶え間ない交渉の連続である。彼らは高い業務量、感情的な要求、そして長いシフトによる身体的な負担を管理しながら、患者のケアを行っている。数十年前から、研究者たちはこの環境が重大なストレスを生み出し、それが看護師の健康と患者ケアの質を損なうことを知っていた。伝統的に、このストレスを理解する方法は、人々がどう感じたかを（多くの場合、事後になってから）尋ねたり、バーンアウトに関する広範な統計を見たりすることに依存してきた。しかし、ストレスは一つのツールで測定できる単一の事象ではない。それは、その日の出来事をどのように考えるかという思考、身体がその瞬間にどのように物理的に反応するか、そして勤務スケジュールの具体的な状況を含む、複雑な反応なのである。課題は、研究対象となっている業務を妨げることなく、これらすべての要素をリアルタイムで統合して見る方法を見つけることであった。

スイスの研究チームは、看護師が感じていること、身体が起きていること、そして実際の勤務スケジュールという3つの異なる情報源を組み合わせることで、看護師のストレスの新しい姿を描き出そうと試みた。彼らは病院に勤務する24人の看護師を募り、3ヶ月間スマートウォッチを着用してもらった。これらの時計は、看護師が働いている間、心拍数と体温を継続的に記録した。毎シフト終了後、看護師たちはその日の満足度、ストレスの度合い、およびシフトが私生活とうまく適合していたかどうかについての短いデジタルアンケートに回答した。研究者たちはまた、計画されたスケジュールと実際に勤務されたスケジュールの両方を含む病院の公式記録を収集し、それによって変更や混乱がどこで発生したかを把握できるようにした。

目標は、これらの異なるデータストリームを織り交ぜることで、いつ看護師がストレスを感じているかを特定できるかどうかを確認することであった。研究者たちはまず、日々のアンケート回答を、回答の組み合わせに基づいて「ストレスなし」「軽度のストレス」「高度のストレス」として分類し、各シフトに対する明確なラベルへと変換しなければならなかった。次に、これらのラベルを時計からの生理学的データおよび勤務スケジュールの詳細と照合した。その結果、特定の瞬間を心拍数、体温、シフトの種類、そしてストレスラベルに結びつけた1万6千件以上の個別の観察を含む膨大なデータセットが作成された。このデータの集まりは、制御された実験室の環境を超えて、忙しく予測不可能な病院現場という現実世界の労働条件を垣間見る貴重な機会となるものである。

チームがコンピュータプログラムを使ってこのデータからストレスを検知できるかどうかをテストした際、身体の情報だけを見るのでは不十分であることが判明した。心拍数と体温のみを使用してストレスを予測しようとするモデルは性能が悪く、しばしば誤った予測を出した。しかし、研究者が仕事の文脈（コンテキスト）を加えると、状況は劇的に変化した。コンピュータプログラムが、看護師が現在従事している特定のシフト、曜日、さらには看護師自身の識別情報まで考慮することを許容されると、精度が大幅に向上した。生理学的信号をスケジュールの詳細や看護師の識別情報と組み合わせた最も優れたモデルは、ストレスレベルを約73パーセントの確率で正しく特定した。このことは、この職業におけるストレスを理解するためには、単に鼓動する心臓を見るだけでは不十分であり、その心臓がどのような文脈の中で鼓動しているのかを理解しなければならないことを示唆している。

この研究はまた、仕事自体の性質についても光を当てた。研究者たちは、連続した夜勤や、休日が突然の勤務日に変わるといった特定のパターンが、より高いストレスに関連しているかどうかを分析するためにスケジュールを分析した。その結果、自由な日が多いといった特定のパターンは、仕事と私生活の間の葛藤が少ないことに関連しているものの、その関係は単純ではないことが分かった。例えば、計画されたスケジュールと実際のスケジュールの不一致が、必ずしも看護師のストレスを意味するわけではなかった。時には、その変更が自発的なものであったり、歓迎されるものであったりしたためである。これは、スケジュールの生の数字だけでは物語の全容を語れないことを浮き彫りにしている。シフトの意味は、個人の状況や選択に依存するのである。

3ヶ月間の期間を通じて、看護師たちはスマートウォッチの使用は概して容易で受け入れ可能であると報告しており、平均的なユーザビリティスコアは、このテクノロジーが彼らの業務を著しく妨げることはなかったことを示していた。これは極めて重要な発見である。なぜなら、このような詳細かつ継続的なデータの収集が、忙しい病院においてスタッフを圧倒することなく実現可能であることを示唆しているからである。しかし、研究者たちは、自分たちの知見は最終的な解決策ではなく、あくまで出発点であることに注意を払った。対象となった看護師のグループは比較的少なく、モデルは特定の個人について「記憶」することができた場合に最も高い性能を発揮した。つまり、システムはストレス全般について学習したというよりも、それら特定の個人についてより多くを学習したのである。本研究は、特定のスケジュールがストレスを引き起こすと証明したわけではないが、人々が感じていること、身体が起きていること、そしてスケジュールの姿を組み合わせることが、単一の情報源よりもはるかに鮮明な全体像を提供できることを実証した。

結局のところ、この研究は、ヘルスケアにおける職業的ストレスを理解し管理するための道は、統合にあることを示している。労働者の主観的な経験、身体の客観的な信号、そしてスケジュールの構造的な現実を一つにまとめることで、研究者は看護の複雑な現実に対して敏感なツールを構築し始めることができる。この研究で収集されたデータは他の人々も利用可能であり、病に苦しむ人々をケアする人々のウェルビーイングを支援するためのより良い方法を開発するための基礎を提供するものである。この研究は、ストレスが個人的かつ内面的な経験である一方で、シフト、スケジュール、そして病院の日常的なリズムという外部の世界に深く根ざしていることを裏付けている。