.: ORİJİNAL ARAŞTIRMA
Makine Öğrenme Teknikleriyle Hemşirelerin Stres Düzeylerinin Belirlenmesi: Hemşirelikte Yapay Zekâ Uygulamaları: Tanımlayıcı Araştırma
Determining Stress Levels of Nurses with Machine Learning Techniques: Artificial Intelligence Applications in Nursing: Descriptive Research
Turkiye Klinikleri J Nurs Sci. 2025;17(1):69-78
doi: 10.5336/nurses.2024-104353
Makale Dili: TR
Tam Metin
ÖZET
Amaç: Stres her meslek grubunun ve günümüzün en ciddi problemlerindendir. Hemşirelik en stresli meslek gruplarındandır. Yapay zekânın sağladığı etkin sonuçlar hemşirelerin stres düzeylerinin belirlenmesinde çağdaş yöntem olarak öne çıkmaktadır. Bu çalışmada, hemşirelerin stres düzeylerinin yapay zekâ uygulamalarından makine öğrenme teknikleri ile en etkin şekilde sınıflandırılması amaçlanmıştır. Ayrıca bu çalışma ile hemşirelik alanında yapay zekânın kullanım alanları konusunda bakış açısının genişletilmesi amaçlanmaktadır. Gereç ve Yöntemler: Çalışmada, hemşirelerde strese neden olabilecek durumlar ve stres düzeylerinin yer aldığı açık erişimli bir veri seti kullanılmıştır. Açık veri setinde; aktif çalışan 15 hemşireye Empatica E4 bilekliği takılmıştır ve fizyolojik değişkenleri toplamda 1.250 saat izlenmiştir. Ayrıca hemşirelerden stres sırasındaki deneyimleri ile ilgili bir anket doldurmaları istenmiştir. Çalışmada hemşirelerin stres düzeylerinin belirlenmesinde makine öğrenme tekniklerinden En Yakın Komşu Algoritması [K-Nearest Neighbors (KNN)], Yapay Sinir Ağları [Neural Networks (NN)], Karar Ağacı [Decision Three (DT)], Güçlendirilmiş Ağaç [Boosted trees (BT)], Destek Vektör Makineler [Support Vector Machines (SVM)] modelleri karşılaştırılmıştır. Bulgular: Modeller arasında yapılan karşılaştırmada stres düzeyini en iyi sınıflandırma performansına sahip makine öğrenme tekniğinin SVM olduğu belirlenmiştir. DT, NN ve BT yöntemlerinin de iyi performansa sahip olduğu belirlenmiştir. KNN'nin tutarsız ve düşük sınıflandırma performansı sergilediği belirlenmiştir. Sonuç: Hemşirelerin stres düzeylerinin belirlenmesinde makine öğrenme tekniği SVM kullanılabilir. Alternatif olarak DT, NN ve BT yöntemleri kullanılabilir. Çalışmamızda hemşirelerin stres düzeylerinin en iyi şekilde belirlenmesi, gerekli önlemlerin alınması açısından fayda sağlayacaktır.
Anahtar Kelimeler: Hemşirelik; stres; yapay zekâ
Amaç: Stres her meslek grubunun ve günümüzün en ciddi problemlerindendir. Hemşirelik en stresli meslek gruplarındandır. Yapay zekânın sağladığı etkin sonuçlar hemşirelerin stres düzeylerinin belirlenmesinde çağdaş yöntem olarak öne çıkmaktadır. Bu çalışmada, hemşirelerin stres düzeylerinin yapay zekâ uygulamalarından makine öğrenme teknikleri ile en etkin şekilde sınıflandırılması amaçlanmıştır. Ayrıca bu çalışma ile hemşirelik alanında yapay zekânın kullanım alanları konusunda bakış açısının genişletilmesi amaçlanmaktadır. Gereç ve Yöntemler: Çalışmada, hemşirelerde strese neden olabilecek durumlar ve stres düzeylerinin yer aldığı açık erişimli bir veri seti kullanılmıştır. Açık veri setinde; aktif çalışan 15 hemşireye Empatica E4 bilekliği takılmıştır ve fizyolojik değişkenleri toplamda 1.250 saat izlenmiştir. Ayrıca hemşirelerden stres sırasındaki deneyimleri ile ilgili bir anket doldurmaları istenmiştir. Çalışmada hemşirelerin stres düzeylerinin belirlenmesinde makine öğrenme tekniklerinden En Yakın Komşu Algoritması [K-Nearest Neighbors (KNN)], Yapay Sinir Ağları [Neural Networks (NN)], Karar Ağacı [Decision Three (DT)], Güçlendirilmiş Ağaç [Boosted trees (BT)], Destek Vektör Makineler [Support Vector Machines (SVM)] modelleri karşılaştırılmıştır. Bulgular: Modeller arasında yapılan karşılaştırmada stres düzeyini en iyi sınıflandırma performansına sahip makine öğrenme tekniğinin SVM olduğu belirlenmiştir. DT, NN ve BT yöntemlerinin de iyi performansa sahip olduğu belirlenmiştir. KNN'nin tutarsız ve düşük sınıflandırma performansı sergilediği belirlenmiştir. Sonuç: Hemşirelerin stres düzeylerinin belirlenmesinde makine öğrenme tekniği SVM kullanılabilir. Alternatif olarak DT, NN ve BT yöntemleri kullanılabilir. Çalışmamızda hemşirelerin stres düzeylerinin en iyi şekilde belirlenmesi, gerekli önlemlerin alınması açısından fayda sağlayacaktır.
Anahtar Kelimeler: Hemşirelik; stres; yapay zekâ
ABSTRACT
Objective: Stress is one of the most serious problems of every professional group and today. Nursing is the most stressful professions. The effective results provided by artificial intelligence stand out as a contemporary method in determining the stress levels of nurses. This study, aims to classify the stress levels of nurses in the most effective way with machine learning techniques from artificial intelligence applications. In addition, this study, aims to expand the perspective on the areas of use of artificial intelligence in the field of nursing. Material and Methods: An open access data set containing the situations to be cause stress in nurses and their stress levels was used in the study. In the open dataset; 15 active nurses were fitted with Empatica E4 bracelets and their physiological variables were monitored for a total of 1,250 hours. The nurses were also asked to fill out a questionnaire regarding their experiences during stress. In the study, KNearest Neighbors (KNN), Neural Networks (NN), Decision Three (DT), Boosted trees (BT), Support Vector Machines (SVM) models from machine learning techniques were compared in determining the stress levels of nurses. Results: In the comparison between the models, it was determined that the machine learning technique with the best classification performance of the stress level was SVM. It was determined that DT, NN and BT methods also had good performance. It was determined that KNN exhibited inconsistent and low classification performance. Conclusion: The machine learning technique SVM can be used to determine the stress levels of nurses. Alternatively, DT, NN and BT methods can be used. In our study, determining the stress levels of nurses in the best way will be beneficial in terms of taking the necessary precautions.
Keywords: Nursing; stress; artificial intelligence
Objective: Stress is one of the most serious problems of every professional group and today. Nursing is the most stressful professions. The effective results provided by artificial intelligence stand out as a contemporary method in determining the stress levels of nurses. This study, aims to classify the stress levels of nurses in the most effective way with machine learning techniques from artificial intelligence applications. In addition, this study, aims to expand the perspective on the areas of use of artificial intelligence in the field of nursing. Material and Methods: An open access data set containing the situations to be cause stress in nurses and their stress levels was used in the study. In the open dataset; 15 active nurses were fitted with Empatica E4 bracelets and their physiological variables were monitored for a total of 1,250 hours. The nurses were also asked to fill out a questionnaire regarding their experiences during stress. In the study, KNearest Neighbors (KNN), Neural Networks (NN), Decision Three (DT), Boosted trees (BT), Support Vector Machines (SVM) models from machine learning techniques were compared in determining the stress levels of nurses. Results: In the comparison between the models, it was determined that the machine learning technique with the best classification performance of the stress level was SVM. It was determined that DT, NN and BT methods also had good performance. It was determined that KNN exhibited inconsistent and low classification performance. Conclusion: The machine learning technique SVM can be used to determine the stress levels of nurses. Alternatively, DT, NN and BT methods can be used. In our study, determining the stress levels of nurses in the best way will be beneficial in terms of taking the necessary precautions.
Keywords: Nursing; stress; artificial intelligence
REFERANSLAR:
- Kshetrimayum N, Bennadi D, Siluvai S. Stress among staff nurses: a hospital-based study. Journal of Nature and Science of Medicine. 2019;2(2):95-100. [Crossref]
- Cui S, Jiang Y, Shi Q, Zhang L, Kong D, Qian M, et al. Impact of COVID-19 on anxiety, stress, and coping styles in nurses in emergency departments and fever clinics: a cross-sectional survey. Risk Manag Healthc Policy. 2021;14:585-94. [Crossref] [PubMed] [PMC]
- Şanlıtürk D, Ardıç M. Hemşirelerin algılanan stres düzeyleri ile genel erteleme eğilimleri arasındaki ilişki: kesitsel çalışma [The relationship between perceived stress levels of nurses and their general procrastination: cross-sectional study]. Türkiye Klinikleri Journal of Nursing Sciences. 2023;15(1):196-208. [Crossref]
- Masa'Deh R, Alhalaiqa F, AbuRuz ME, Al-Dweik G, Al-Akash H. Perceived stress in nurses: a comparative study. Global Journal of Health Science. 2016;9(6):195. [Crossref]
- Çolak R, Bülbüloğlu S. Yenidoğan yoğun bakım hemşirelerinin stres düzeyleri ve kaynaklarının incelenmesi [Review of stress levels and sources in newborn intensive care nurses]. JGON. 2020;17(4):585-91. [Crossref]
- Badu E, O'Brien AP, Mitchell R, Rubin M, James C, McNeil K, et al. Workplace stress and resilience in the Australian nursing workforce: a comprehensive integrative review. Int J Ment Health Nurs. 2020;29(1):5-34. [Crossref] [PubMed]
- Clayton M, Marczak M. Palliative care nurses' experiences of stress, anxiety, and burnout: a thematic synthesis. Palliat Support Care. 2023;21(3):498-514. [Crossref] [PubMed]
- Awosika A, Adeniyi MJ. Occupation-related stress and stress-related risk factors among nurses in West Africa. Middle East Research Journal of Medical Sciences. 2023;3(1):9-16. [Crossref]
- Demirci Ş, Çilhoroz Y. Şiddet ve şiddet yönetim. Durmuş A, Amarat M, editörler. Olağan Dışı Durumlarda Sağlık Yönetimi. 1. Baskı. İstanbul: Efe Akademi Yayınları; 2023. p.207-46.
- Shi J, Han X, Liao Y, Zhao H, Fan B, Zhang H, et al. Associations of stressful life events with subthreshold depressive symptoms and major depressive disorder: the moderating role of gender. J Affect Disord. 2023;325:588-95. [Crossref] [PubMed]
- Helpman L. On the stress of being a woman: The synergistic contribution of sex as a biological variable and gender as a psychosocial one to risk of stress-related disorders. Neurosci Biobehav Rev. 2023;150:105211. [Crossref] [PubMed]
- Reyhanoğlu N, Çerçi̇ S, Uyurdağ N, Özaydın Ö. Türkiye'de hemşirelik alanında yapılan lisansüstü tezlerde COVID-19 pandemisinin yansımaları [Reflections of COVID-19 pandemic on postgraduate theses in the field of nursing in Turkey]. Gevher Nesibe Journal of Medical And Health Sciences. 2023;8(4):1122-36. [Crossref]
- Luzipho N, Joubert P, Dhurup M. Job stressors, work tension and job satisfaction of academics at a university in South Africa. SA Journal of Human Resource Management. 2023;21. [Crossref]
- Zaghini F, Biagioli V, Fiorini J, Piredda M, Moons P, Sili A. Work-related stress, job satisfaction, and quality of work life among cardiovascular nurses in Italy: structural equation modeling. Appl Nurs Res. 2023;72:151703. [Crossref] [PubMed]
- Chaabane S, Chaabna K, Bhagat S, Abraham A, Doraiswamy S, Mamtani R, et al. Perceived stress, stressors, and coping strategies among nursing students in the Middle East and North Africa: an overview of systematic reviews. Syst Rev. 2021;10(1):136. [Crossref] [PubMed] [PMC]
- Erkutlu H, Ergün EE, Köseoğlu İ, Vurgun T. Yapay zekâ ve örgütsel davranış [Artificial intelligence and organizational behaviour]. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi. 2023;13(3):1403-17. [Crossref]
- Soori M, Arezoo B, Dastres R. Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics. 2023;3:54-70. [Crossref]
- Rubinger L, Gazendam A, Ekhtiari S, Bhandari M. Machine learning and artificial intelligence in research and healthcare. Injury. 2023;54 Suppl 3:S69-S73. [Crossref] [PubMed]
- Tanyel T. Analysis of Perceived Stress Test using Machine Learning. arXiv.org. 2023. [Link]
- Yaşar H. Yüz görüntülerinden derin öğrenmeye dayalı stres tespiti [Yüksek lisans tezi]. Bartın: Bartın Üniversitesi; 2023. [Erişim tarihi: 28 Mayıs 2024]. Erişim linki: [Link]
- Yüksel H. Yapay zeka algoritmaları kullanılarak öğrencilerin akademik başarısı ile stres ilişkisinin keşifsel bir analizi [An exploratory analysis of the relationship between students' academic success and stress using artificial intelligence algorithms]. JISMAR. 2023;5(2):10-20. [Crossref]
- Vos G, Trinh K, Sarnyai Z, Rahimi Azghadi M. Generalizable machine learning for stress monitoring from wearable devices: a systematic literature review. Int J Med Inform. 2023;173:105026. [Crossref] [PubMed]
- Naegelin M, Weibel RP, Kerr JI, Schinazi VR, La Marca R, von Wangenheim F, et al. An interpretable machine learning approach to multimodal stress detection in a simulated office environment. J Biomed Inform. 2023;139:104299. [Crossref] [PubMed]
- Özel G, Aba YA. Teknolojinin görünmeyen yüzü: hemşirelik mesleğinde teknostres [The invisible face of technology: technostress in nursing profession]. Genel Sağlık Bilimleri Dergisi. 2023;5(2):258-74. [Crossref]
- Hosseini S, Gottumukkala R, Katragadda S, Bhupatiraju RT, Ashkar Z, Borst CW, et al. A multimodal sensor dataset for continuous stress detection of nurses in a hospital. Sci Data. 2022;9(1):255. [Crossref] [PubMed] [PMC]
- Simons A, Doyle T, Musson D, Reilly J. Impact of physiological sensor variance on machine learning algorithms. IEEE International Conference on Systems, Man, and Cybernetics (SMC). 2020:241-7. [Crossref]
- Cuijpers RH, van Dijk ETK, Longhi S, Marchegiani E, Monteriù A. Psychophysiological stress control via heart rate entrainment. Zooming Innovation in Consumer Technologies Conference (ZINC). 2019:9-10. [Crossref]
- Yao X, Xu N, Gao M, Jiang A, Liu X. Comparison analysis of classifiers for speech under stress. IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData). 2016:429-32. [Crossref] [PMC]
- Al-Jumaily AA, Matin N, Hoshyar AN. Machine learning based biosignals mental stress detection. In: Mohamed A, Yap BW, Zain JM, Berry MW, eds. Soft Computing in Data Science. 1st ed. Singapore: Springer; 2021. p.28-41. [Crossref]
.: İşlem Listesi