Door de vergrijzing en het opschuiven van de pensioengerechtigde leeftijd neemt de vraag naar een langere en duurzamere inzetbaarheid van medewerkers toe. Fysieke en psychologische aspecten als leefstijl en chronische ziekten kunnen een duurzame inzetbaarheid van medewerkers belemmeren. Preventief medisch onderzoek kan gezondheidsaspecten in kaart brengen met betrekking tot duurzame inzetbaarheid en indicatoren in relatie tot het werk vroegtijdig signaleren en waar mogelijk bij te kunnen sturen. De vele factoren die duurzame inzetbaarheid beïnvloeden maken een betrouwbare en voorspellende uitkomst echter nog niet aantoonbaar.
Het Saxion lectoraat Gezondheid & Bewegen heeft in het eerdere TFF-project SHIFT voor deze problemen een proof-of-concept ontwikkeld van een voorspellingsmodel voor duurzame inzetbaarheid die werkt op basis van gefingeerde data uit een dataverzameling. Het project wordt verder uitgebreid in een promotieonderzoek van Saxion docent-onderzoeker Marianne Six-Dijkstra, waarin de klinische validiteit van het model wordt onderzocht op basis van data uit de praktijk. Het doel van het onderzoek is om het voorspellingsmodel voor duurzame inzetbaar te valideren en evidence-based te maken. Het lectoraat heeft voor het technologisch aspect het Saxion lectoraat Ambient Intelligence ingeschakeld om de voorspelbaarheid te verbeteren door het model zelflerend te maken.
Uit eerder onderzoek is gebleken dat zelflerende systemen beter in staat zijn om terugkeer naar werk bij zieke werknemers te voorspellen dan een arts kan doen op basis van vragenlijsten. In SHIFT-2 zullen de belangrijkste parameters voor duurzame inzetbaarheid worden geïdentificeerd en geverifieerd, die als basis zullen dienen voor de doorontwikkeling van het voorspellingsmodel uit SHIFT van technical readiness level (TRL) niveau 4-5 naar TRL 7.
De looptijd van het project is 24 maanden (december 2018 tot en met november 2020).
Partners
