Das PDF dient ausschließlich dem persönlichen Gebrauch! - Weitergehende Rechte bitte anfragen unter: nutzungsrechte@asu-arbeitsmedizin.com.
Worum geht es?
Der Beitrag untersucht, wie allgemeine und arbeitsbezogene Gesundheitskompetenz sowie gesundheitsbezogene Lebensqualität mit der Arbeitsfähigkeit zusammenhängen. Zudem wird aufgezeigt, wie diese Faktoren im Betrieblichen Gesundheitsmanagement
(BGM) systematisch erfasst und mithilfe Erklärbarer Künstlicher
Intelligenz (Explainable Artificial Intelligence, XAI) transparent dargestellt werden können.
Ziel der Studie
Ziel des Beitrags ist es, Gesundheitskompetenz als relevanten Treiber der Arbeitsfähigkeit in einem ganzheitlichen Kennzahlensystem des BGM zu verorten. Darüber hinaus soll gezeigt werden, wie XAI zur Analyse von Risiko- und Schutzfaktoren eingesetzt werden kann, um die Arbeitsfähigkeit vorherzusagen und daraus passgenaue Gesundheitsförderungsmaßnahmen abzuleiten.
Methoden
Grundlage ist eine querschnittliche Online-Befragung unter 1997 erwerbstätigen Personen in Deutschland. Erhoben wurden allgemeine und arbeitsbezogene Gesundheitskompetenz, gesundheitsbezogene Lebensqualität, Arbeitsfähigkeit, Arbeitsunfähigkeitstage sowie
soziodemografische Merkmale. Zur Analyse wurden prädiktive Modelle des maschinellen Lernens eingesetzt.
Ergebnisse
Die physische und mentale Lebensqualität erwiesen sich als die stärksten Prädiktoren1 der Arbeitsfähigkeit. Zusätzlich leisteten allgemeine und arbeitsbezogene Gesundheitskompetenz relevante Beiträge zur Vorhersage der Arbeitsfähigkeit. XAI ermöglichte die Identifikation individueller Risiko- und Ressourcenprofile. Exemplarische Wenn-dann-Szenarien verdeutlichten, dass insbesondere Verbesserungen der arbeitsbezogenen Gesundheitskompetenz und der Lebensqualität die Wahrscheinlichkeit einer kritischen Arbeitsfähigkeit deutlich senken können.
Möglichkeiten der Umsetzung der Erkenntnisse in die Praxis
Die Ergebnisse sprechen dafür, BGM-Kennzahlensysteme stärker auf präventiv nutzbare Treiber- und Frühindikatoren auszurichten. Folgende Ansatzpunkte ergeben sich für die betriebliche Praxis:
- Verknüpfung von Treiber-, Früh- und Spätindikatoren in Kennzahlensystemen, um ein ganzheitliches Verständnis von
Gesundheit in die BGM- und Unternehmensstrategie einzubeziehen. - Einsatz von XAI-Analysen, um Risiken und Ressourcen auch
bei großen Datenmengen empirisch fundiert zu identifizieren,
zu gewichten und nachvollziehbar darzustellen. - Ableitung passgenauer Maßnahmen für Beschäftigtengruppen, Abteilungen und einzelne Beschäftigte auf Grundlage individueller Risiko- und Ressourcenprofile.
Der Beitrag weist darauf hin, dass BGM-Kennzahlensysteme nicht nur rückblickend Fehlzeiten abbilden, sondern vor allem frühzeitig steuerungsrelevante Risiken und Ressourcen sichtbar machen sollten. XAI-Analysen können dabei helfen, diese Informationen nachvollziehbar aufzubereiten und für eine gezielte Maßnahmenplanung nutzbar zu machen.
