RU-STRESSed? Researching Unseen STRESS Through Real-time Evaluation in Simulated healthcare Settings

Probleemstelling

De helft van het zorgpersoneel in Vlaanderen ervaart een te hoge werkdruk en stress, wat kan leiden tot verminderde zorgkwaliteit en uitval. De meeste onderzoeken naar werkstress zijn echter gebaseerd op zelfrapportage, die gevoelig is voor subjectieve vertekening, onderschatting en sociale wenselijkheid.

Hierdoor is het moeilijk om stress accuraat en tijdsgebonden te meten, wat een obstakel vormt voor het ontwikkelen van effectieve stress-reducerende interventies. Er is daarom behoefte aan objectieve, context-specifieke meetmethoden die inzicht geven in hoe, wanneer en waarom stress bij zorgverleners optreedt.

Onderzoeksdoel

Medische wearables maken het mogelijk om fysiologische stressindicatoren te monitoren. Deze sensoren kunnen door hun inzetbaarheid in real-life settings baanbrekende inzichten voor stresspreventie en -reductie verwerven. In combinatie met Experience Sampling Methoden (ESM), waarbij naast fysiologische data ook persoonlijke ervaringen worden verzameld, ontstaat een krachtige hybride meetmethode die inzicht geeft in de temporele verbanden tussen stressreacties en specifieke (werk)contexten.

Dit opent de weg naar artificiële intelligentie (AI)-gestuurde stresspreventie. Zo kunnen op termijn patronen geïdentificeerd worden die stress voorspellen, wat nieuwe toepassingen mogelijk maakt in de richting van real-time monitoring en vroegtijdige waarschuwingen.

In dit project zetten we een eerste stap in deze richting, door exploratief te onderzoeken hoe AI kan bijdragen aan de identificatie van voorspellende stressfactoren. Daarnaast willen we expertise opbouwen in het gebruik van ECGMove4-sensoren en verkennen hoe deze technologie kan bijdragen aan stresspreventie en mentale veerkracht bij zorgverleners.

Onderzoeksvraag

Welke meerwaarde hebben ECGMove4-sensoren en signal-based ESM om stressreacties bij zorgverleners (in opleiding) in kaart te brengen en te reduceren? 

Onderzoeksaanpak

In dit praktijkgericht wetenschappelijk onderzoek worden ECGMove4 sensoren (Movisens) ingezet om werkstress objectief te meten bij een multidisciplinaire groep van internationale zorgstudenten tijdens simulatiescenario’s. We testen de sensoren, verfijnen het gebruik en onderzoeken of korte interventies (zoals ademhalingstechnieken, mindfulness of herhaalde oefening) de gemeten stressniveaus beïnvloeden.

Door de sensor-data te koppelen aan ESM ontstaat diepgaand inzicht in stressmomenten en contexten. Daarnaast wordt AI ingezet om potentiële voorspellende stressfactoren te identificeren. Het project legt zo een basis voor grootschaliger onderzoek en AI-gestuurde stresspreventie.

Verwachte output

1. Gebruikershandleiding ECGMove4-sensoren: praktische gids met procedures, lessons learned en aandachtspunten.
2. Wetenschappelijk eindrapport: beschrijving van methodologie, resultaten en aanbevelingen voor vervolgonderzoek.
3. Publicatie(s): (wetenschappelijke) artikel(s) met de bevindingen.
4. Vervolgproject: gericht op de ontwikkeling van AI-gestuurde stressherkenning en interventie, of op opschaling naar bredere klinische toepassingen.
5. Presentaties en workshops: zowel intern (KdG) als extern, waarin het potentieel van wearables en ESM voor stressmonitoring toegelicht wordt.
6. Onderwijstoepassing: concrete suggesties voor de integratie van stressherkenning en -reductie in het curriculum van zorgopleidingen.
7. Businesscase: verkenning van valorisatiemogelijkheden, zoals dienstverlening rond stressdetectie en -preventie in de zorg. 

Onderzoekers

• jente.bontinck@kdg.be
• Jurgen.heyman@kdg.be
• margo.wouters@kdg.be