Novel Data-driven Approaches to Identifying Sickness Absence Risk using Occupational Health Data

Abstract

Työkyvyttömyys aiheuttaa merkittäviä kustannuksia sekä työntekijälle, työpaikalle että yhteiskunnalle ja sen taloudelliset vaikutukset on tunnistettu valtaosassa kehittyneitä maita. Elinajanodotteen nousun myötä on välttämätöntä löytää keinoja edistää ikääntyvän työväestön työkykyä vanhuuseläkeikään saakka. Työterveyshuollon ja työpaikkojen aktiivinen yhteistyö on keskeistä niiden työntekijöiden tukemisessa, joilla on terveyteen liittyviä työkyvyn rajoitteita.

Tässä tutkimuksessa haluttiin selvittää, miten suomalaisessa työterveyshuollon palveluntuotannossa kertyvää tietoa pystytään hyödyntämään työkyvyttömyyden ennustamisessa nykyaikaisilla data-analyysimenetelmillä. Aiemmissa tutkimuksissa on tunnistettu useita sairauspoissaoloja ennakoivia tekijöitä, mutta koneoppimiseen pohjautuvia menetelmiä ei ole aiemmin kattavasti hyödynnetty yhtä laajassa työterveyshuollon aineistossa käyttäen sairauspoissaoloja päätemuuttujana. Tämän tutkimuksen toisena tavoitteena oli tunnistaa sellaisia terveyskyselyihin sisällytettäviä kysymyksiä, jotka olisivat merkittävimpiä työkyvyttömyyden ennakoinnissa. Tämä voisi toimia yhtenä askeleena kohti lyhyempää ja kevyempää, helpommin toistettavaa seulontatyökalua työkyvyttömyyden riskin varhaiseen tunnistamiseen.

Aineistona tässä tutkimuksessa oli yhden keskisuuren suomalaisen työterveyshuollon palveluntuottajan sähköinen potilastietoaineisto. Se koostui 18 840 terveyskyselystä, jonka useiden eri toimialojen työntekijät olivat täyttäneet vuosien 2011 ja 2019 välillä sekä tiedot samojen henkilöiden vastaanottokäynneistä ja sairauspoissaoloista ensimmäisestä poissaolopäivästä alkaen. Rajausten jälkeen eri analyyseissä hyödynnettiin 11 495–12 099 eri työntekijän kyselyvastauksia.

Tietyt yksittäiset masennusoirekyselyn (DEPS) kysymykset osoittautuivat hyödyllisiksi sekä pitkien, yli 30 päivän sairauspoissaolojaksojen, että yli 5 kertaa toistuvien 1–10 päivän sairauspoissalojaksojen ennustamisessa kahden vuoden seuranta-aikana. Työn psykososiaalisia kuormitustekijöitä koskevassa kyselyssä kysymys henkilön mahdollisuuksista vaikuttaa työnsä sisältöön, työtahtiin ja -aikaan osoittautui vahvimmaksi toistuvien lyhyiden poissaolojen ennakoijaksi, myös verrattuna yhteenkään DEPS-seulan kysymyksistä. Korkeampi ikä (45–54 vuotta) osoittautui pitkiltä sairauspoissaoloilta suojaavaksi tekijäksi tilanteissa, joissa esihenkilön tuki tai työpaikan ilmapiiri koettiin huonoksi tai työpaikalla esiintyi häirintää tai epäasiallista kohtelua. Toistuvien lyhyiden sairauspoissaolojen kohdalla vastaavaa eroa ikäryhmien välillä ei havaittu.

Tässä tutkimuksessa luotiin koneoppimismenetelmillä useita alamalleja, joissa hyödynnettiin aineistoa eri aiheista ja lähteistä sekä kaksi mallia, joissa käytettiin kaikkia saatavilla olevia muuttujia. Ennustemallien jako alamalleihin auttoi tunnistamaan kunkin alamallin keskeisimmät muuttujat sairauspoissaoloriskin ennustamisen kannalta sekä auttoi arvioimaan eri lähteistä saatavan aineiston hyödynnettävyyttä sairauspoissaolojen ennustamisessa. Kun kaikki muuttujat sisällytettiin ensemble-malliin, jossa kutakin muuttujaa painotettiin ennustetarkkuutensa mukaisesti, ennustemallin suorituskyky parani oleellisesti verrattuna malleihin, joissa hyödynnettiin vain jo aiemmin tiedossa olleita vahvimman ennustevaikutuksen muuttujia. Ensemble-malli toimi hyvin yli 30 päivän sairauspoissaolojaksojen ennustamisessa, saaden AUROC-arvon 0.79 (95 % CI 0.788-0.794).

Ohjaamattoman koneoppimisen menetelmiä voidaan hyödyntää löytämään yhteyksiä eri muuttujien välillä ilman ennalta määriteltyä hypoteesia rajoittamassa analytiikkaa. Näitä menetelmiä hyödyntäen laajasta terveyskysely- ja potilastietoaineistosta tunnistettiin kuusi kliinisesti tunnistettavaa työntekijäklusteria, joista kuhunkin liittyi samantyyppisiä ominaisuuksia ja riskitekijöitä. Jatkoanalyyseissä näillä klustereilla todettiin olevan myös toisistaan poikkeava riski pitkiin ja toistuviin lyhyisiin sairauspoissaoloihin.

Tämä tutkimus osoitti, että terveyskyselyistä ja vastaanottokäynneistä työterveyshuollossa kertyy paljon tietoa, jota voidaan hyödyntää tulevien sairauspoissaolojen ennustamiseen. Koneoppimisen ja suurten kielimallien nopea kehitys tulee mahdollistamaan myös muun kuin rakenteisesti kirjatun aineiston hyödyntämisen analyyseissä paitsi työterveyshuollon sairauskertomuksista, myös kansallisista rekistereistä kuten Kanta ja Avohilmo. Tämä parantaa tulevaisuudessa mahdollisuuksia kehittää entistä tarkempia ennustetyökaluja, joilla työterveyshuollon ammattilaiset pystyvät aikaisemmin tunnistamaan kohonneessa työkyvyttömyyden riskissä olevat henkilöt. Sekä EU-säädökset että suomalainen lainsäädäntö kuitenkin rajoittavat oleellisesti terveystietojen käyttöä ja automatisoitua päätöksentekoa. Terveystietoja voidaan käyttää sairauspoissaoloriskin ennustamiseen vain yksilön nimenomaisella suostumuksella tätä tarkoitusta varten. Kehitettävät menetelmät eivät voi korvata ammattilaisen arviota, vaan ainoastaan toimia päätöksenteon tukena.

Work disability imposes a substantial financial burden in most developed countries, affecting employees, workplaces, and society. As life expectancy increases, promoting the work ability of the aging workforce until their statutory retirement age is crucial. Active collaboration between workplaces and occupational health professionals is essential for supporting individuals whose health conditions limit their work ability.

This study aimed to explore the possibilities of real-world data that a Finnish occupational healthcare provider can access to predict work disability using modern data analysis methods. Previous studies have identified several predictors of sickness absences, but machine learning (ML) methods have not been widely applied to occupational health data with sickness absences as the outcome. Another goal was to identify essential factors to include in a questionnaire to predict work disability, as a step towards constructing a more concise screening tool that could be used repeatedly with minimal burden.

The data in this study were acquired from the electronic medical records of one medium-sized Finnish occupational health service provider. It comprised 18,840 completed questionnaires from employees across various industries between 2011 and 2019, along with data on their occupational healthcare visits and sickness absence certificates, starting on the first day of absence. After exclusions, the data from 11,495 to 12,099 employees were included in the analyses.

Certain questions from the depression screening tool in the questionnaire data were useful for predicting long sickness absences of over 30 days and repetitive short sickness absences of over five 1–10-day episodes in a two-year follow-up. In a questionnaire on psychosocial working conditions, a question about an employee’s ability to influence the content, pace, and hours of their work stood out as the strongest predictor of repetitive short sickness absences, performing better than any of the depression screening questions. Compared to employees in younger age groups, older age (45–54 years) was a protective factor against increased sickness absences among employees experiencing poor managerial support, low staff cohesion, or witnessing workplace bullying. For repetitive short sickness absences, no such difference between age groups was found.

In this study, ML methods were used to construct several submodels that used data on different themes and from different data sources, as well as two models that used all available variables. The submodel-specific analyses provided information on the most important variables for each subgroup and on the predictive capabilities of different data sources. Including all variables in an ensemble model that assigned weights based on their prediction accuracy improved the model’s performance compared to using only previously identified strong predictors. The ensemble model performed well at predicting sickness absences of over 30 days, with an AUROC value of 0.79 (95% CI 0.788–0.794).

Unsupervised ML methods can be used to identify associations among variables without predefined hypotheses that restrict the analyses. These methods were applied to the extensive data, and six clinically coherent employee clusters with similar characteristics and risk factors were identified. In further analysis, these clusters also presented different profiles of sickness absences.

This study demonstrated the potential of screening questionnaires and occupational health visits as data sources for predicting future sickness absences. The rapid development of ML and large language models will expand the ability to extract data from free-text records not only in occupational health medical records but also in two national registries: Kanta and Avohilmo. This will improve the development of more accurate prediction tools in the future and help occupational health professionals identify employees at increased risk of work disability earlier. However, EU regulations and Finnish legislation tightly restrict the use of health data and automated decisions, allowing sickness absence prediction only with explicit consent and when supporting, rather than replacing, professional judgement.