Resilienz von Gesundheitsfachkräften: KI-Modelle erkennen psychische Widerstandskraft
Veröffentlicht am: 22.09.2026 um 05:18 Uhr | Redaktion boerse-global.de
Die mentale Gesundheit von Beschäftigten im Gesundheitswesen steht seit Jahren unter intensiver Beobachtung. Eine im Fachjournal Discover Artificial Intelligence erschienene Untersuchung zeigt nun, wie Algorithmen des maschinellen Lernens genutzt werden können, um die psychosoziale Widerstandskraft von medizinischem Fachpersonal präzise einzuschätzen.
Forschende der Universidad Técnica Particular de Loja weisen in ihrer Arbeit nach, dass etablierte Rechenmodelle die psychosoziale Resilienz dieser Berufsgruppe mit beachtlicher Zuverlässigkeit klassifizieren können, wie das Portal developmentstoday.com am 21.09.2026 berichtete.
Leistungsfähigkeit der eingesetzten Algorithmen
Im Rahmen der Forschungsarbeit wurden mehrere Verfahren des maschinellen Lernens miteinander verglichen. Den höchsten Wert erzielte dabei die logistische Regression, die eine Klassifikationsgenauigkeit von 75,6 Prozent erreichte. Die sogenannte Fläche unter der Kurve (AUC) lag bei diesem statistischen Modell bei einem Wert von 0,816.
Andere verbreitete Algorithmen schnitten im Vergleich leicht schwächer, jedoch ebenfalls solide ab. Das Verfahren Random Forest kam auf eine Genauigkeit von 72,6 Prozent. Das Modell der Support Vector Machine (SVM) erzielte bei der Bestimmung der Resilienzwerte eine Trefferquote von 70,8 Prozent.
Datengrundlage und Resilienz-Index
Als empirische Basis diente dem Forschungsteam der Datensatz „How Right Now Mental Health & Coping“, der von NORC an der University of Chicago zusammengestellt wurde. Die Erhebung umfasste die Angaben von 2.055 US-Befragten aus den Jahren 2021 bis 2022.
Wer sich mit den Auswirkungen von Dauerstress und Erschöpfung auf das Nervensystem befasst, findet in der gezielten Aktivierung körpereigener Erholungsnerven einen wirksamen Ansatz. Dieser kostenlose Ratgeber zeigt, wie Sie Ihre Selbstheilungskräfte in nur wenigen Minuten täglich mobilisieren können. Vagus-Therapie: Stress reduzieren und Lebensqualität steigern
Für die Modellierung definierten die Forschenden einen Resilienz-Index, der sich aus vier psychometrischen Variablen zusammensetzt: der allgemeinen Resilienz, der individuellen Erholungsfähigkeit, dem erlebten Gefühl von Kontrolle sowie der persönlichen Zuversicht. Anhand des Medians wurden die Probanden schließlich in Gruppen mit hoher beziehungsweise niedriger Resilienz eingeteilt.
Belastungsfaktoren und Bewältigungsstrategien
Die Auswertung machte zudem deutlich, welche Einflussfaktoren besonders stark mit einer reduzierten psychischen Widerstandskraft korrelieren. Als stärkster Prädiktor für eine niedrige Resilienz erwies sich Stress mit einem statistischen Gewicht von 0,182. Dahinter folgten Depression mit einem Gewicht von 0,160 sowie Angst mit 0,145. Weitere wesentliche Einflussgrößen waren Hoffnungslosigkeit und registrierte Schlafveränderungen.
Auf der anderen Seite zeigten sich protektive Faktoren: Bestimmte Bewältigungsstrategien standen in einem kumulativen Zusammenhang mit einer höheren Resilienz. Dazu zählten insbesondere soziale Unterstützung, das Pflegen von Hobbys sowie spirituelle oder reflexive Praktiken wie Gebet und Meditation.
Ein gesundes Gleichgewicht zwischen beruflichen Anforderungen und privater Erholung ist entscheidend, um die im Artikel beschriebenen Belastungsfaktoren langfristig zu bewältigen. Erfahren Sie in diesem kostenlosen E-Book, welche konkreten Übungen und Sofortmaßnahmen Ihnen helfen, Stress im Alltag nachhaltig zu reduzieren. Kostenloses E-Book für mehr Work-Life-Balance sichern
Methodische Grenzen und Ausblick
Trotz der präzisen Klassifikationsergebnisse weist die Untersuchung methodische Limitationen auf. Die zugrunde liegenden Erhebungen beruhen auf Querschnittsdaten und stützen sich auf Selbstauskünfte der Teilnehmer. Zudem beschränkt sich die Stichprobe ausschließlich auf die Vereinigten Staaten.
Für künftige Forschungsphasen ist daher eine Validierung der Modellansätze in Lateinamerika geplant. Darüber hinaus soll der methodische Rahmen erweitert werden, indem die Analysen künftig um objektive Schlafdaten und physiologische Messwerte ergänzt werden.
