D) data-mining und predictive analytics zur burnout-prävention

Hintergrund

Psychische Erkrankungen sind mittlerweile die zweithäufigste Ursache für Arbeitsunfähigkeit in Deutschland. Schätzungen zufolge sind etwa 10 Prozent aller Arbeitnehmer, insbesondere in sozialen Berufen, vom so genannten Burnout-Syndrom betroffen. Weitere 20 bis 30 Prozent aller Personen in solchen Berufen sollen gefährdet sein, am Burnout-Syndrom zu erkranken. Unter Burnout-Syndrom versteht man einen Zustand totaler körperlicher, emotionaler und geistiger Erschöpfung sowie verringerter Leistungsfähigkeit.

 

Herausforderung

 Obwohl psychische Erkrankungen in Deutschland zu regelrechten „Volkskrankheiten“ avancieren, ist über die konkreten Ursachen noch recht wenig bekannt. Zwar zählen Stress, Schlafmangel oder persönliche Probleme zu den häufig assoziierten Auslösern, doch die tatsächlichen Patientenpfade bis zur Erkrankung sind komplex. Erschwerend kommt hinzu, dass Burnout keine klassifizierte Diagnose ist, sondern lediglich unter „Probleme mit Bezug auf Schwierigkeiten bei der Lebensbewältigung“ als „Zustand der totalen Erschöpfung“ im aktuellen ICD-10 der WHO inkludiert ist. Aus diesem Grund werden Patienten- und Behandlungsinformationen aus verschiedenen Quellen benötigt, um die zielführende Präventionsansätze zu entwickeln und umzusetzen.

Fragestellung

 Entwickelt einen datengetriebenen Ansatz (z.B. Selektion, prädiktive Modellierung, Machine Learning) zur Identifizierung von Versicherten, für die eine Burnout-Prävention erfolgversprechend ist oder die ein hohes Risiko für eine Burnout-Erkrankung aufweisen. Spezifiziert dabei die Daten bzw. die Indikatoren aus dem Datenpool einer gesetzlichen Krankenversicherung, die für die Identifizierung der Versicherten relevant sind. Erarbeitet außerdem konzeptuell, welche weiteren Daten und Indikatoren das Modell darüber hinaus sinnvoll ergänzen würden.

 

Der benötigte Datenpool wird für das Teilnehmer-Team zur Verfügung gestellt.