Analizando las salidas tempranas en la Guardia Costera
Un estudio revela los factores que influyen en las salidas anticipadas de los miembros de la Guardia Costera.
― 6 minilectura
Tabla de contenidos
Las condiciones de Salud Mental pueden afectar un montón la capacidad de los integrantes para hacer su trabajo y quedarse en la Guardia Costera. Al conocer qué factores pueden hacer que más miembros se vayan antes de que termine su servicio, la Guardia Costera puede crear mejores políticas y programas para mantenerlos.
Este análisis estudió varios factores demográficos y Diagnósticos de salud mental entre los miembros activos de la Guardia Costera para ver qué podría llevar a una baja anticipada. Este tema no se ha investigado mucho dentro del ejército.
Resumen del Estudio
El estudio usó análisis de supervivencia, un método que mira cuánto tiempo toma que ocurra un evento. En este caso, el evento era que los integrantes fueran dados de baja anticipadamente. Los investigadores utilizaron métodos de aprendizaje automático, que son algoritmos de computadora que pueden encontrar patrones en grandes cantidades de datos, para ayudar a identificar tendencias.
Los datos vinieron de dos fuentes principales: una proporcionó información sobre los servicios de salud que usaron los miembros, y la otra tenía registros de personal. Combinados, estos conjuntos de datos incluían información sobre visitas a especialistas en salud mental desde el 1 de enero de 2016 hasta el 31 de diciembre de 2019. Solo se incluyeron miembros que tuvieron visitas de salud mental, excluyendo a aquellos que vieron a otros tipos de profesionales médicos.
Recopilación de Datos
El conjunto de datos final contenía varios factores, tales como:
- Grupo de rango (nivel de senioridad)
- El diagnóstico de salud mental más común
- Raza y género
- Número de visitas a terapia
- Tiempo servido en servicio activo
Se analizaron estas variables para ver si podían predecir la baja anticipada. El resultado principal medido era si un miembro fue dado de baja antes de completar su servicio.
Manejo de Datos Faltantes
Cuando faltaban algunos datos, los investigadores llenaron esos huecos usando promedios basados en rango u otras categorías relevantes.
Aprendizaje Automático en el Estudio
Para analizar los datos, los investigadores los dividieron en grupos de entrenamiento y de prueba. Usaron una técnica llamada SMOTE para asegurar que ambos grupos incluyeran un número igual de miembros que se dieron de baja anticipadamente y aquellos que completaron su servicio.
Se aplicaron varios algoritmos de aprendizaje automático, incluidos árboles de decisión, bosques aleatorios y aumento de gradiente. El equipo usó software para ejecutar estos algoritmos y medir su rendimiento con base en precisión, recuerdo y puntuación F1. La precisión fue especialmente importante porque mostró cuán exactamente los modelos predecían las bajas anticipadas.
Hallazgos Clave
El análisis encontró que alrededor de 26 de cada 1,000 miembros que buscaron atención en salud mental no completaron su servicio. Aunque las mujeres usaron más servicios de salud mental que los hombres, las tasas de baja anticipada fueron similares para ambos géneros. La raza y el género no mostraron diferencias significativas en el estado de la baja.
Los diagnósticos más comunes entre aquellos que se fueron anticipadamente fueron trastornos del estado de ánimo, trastornos de ansiedad y trastornos de adaptación. El análisis indicó que ser blanco o asiático/isleño del Pacífico y tener un rango de enlistado senior eran factores de riesgo para la baja anticipada.
Notablemente, el modelo de regresión logística identificó el género masculino y los trastornos relacionados con el alcohol como predictores importantes de la terminación anticipada, lo que fue diferente de los grupos de diagnóstico principales identificados anteriormente.
Implicaciones de los Hallazgos
Los hallazgos subrayan la importancia de reconocer los factores que contribuyen a las bajas anticipadas. Entender por qué algunos miembros dejan el servicio puede ayudar a la Guardia Costera a diseñar mejores programas de apoyo e intervención.
Aunque no todos los miembros que buscan atención en salud mental dejan el servicio, el estudio encontró un número pequeño pero significativo de bajas anticipadas. Esto sugiere que hay oportunidades para mejorar la retención mediante esfuerzos específicos, especialmente entre hombres y aquellos con trastornos específicos.
Además, los resultados indican que los miembros enlistados senior pueden enfrentar desafíos únicos que podrían afectar su rendimiento y bienestar. El estudio sugiere que la Guardia Costera debería considerar estos factores en sus políticas y programas.
Limitaciones y Fortalezas
Hay algunas limitaciones en el estudio. Los miembros que recibieron atención en salud mental fuera de la base de datos principal no fueron incluidos, lo que podría limitar los hallazgos. Además, el número de miembros que se dieron de baja anticipadamente fue relativamente pequeño, lo que podría afectar el análisis.
Por el lado positivo, el estudio tuvo un período de seguimiento de cuatro años y usó múltiples modelos de aprendizaje automático para proporcionar resultados robustos. Los hallazgos pueden servir como base para futuras investigaciones destinadas a mejorar la retención de miembros en el servicio.
Oportunidades de Investigación Futura
Futuros estudios podrían examinar más a fondo las razones por las que los miembros buscan servicios de salud mental y cómo esos servicios se relacionan con sus decisiones de quedarse en la Guardia Costera. También hay potencial para mirar tendencias geográficas, impactos a largo plazo de las condiciones de salud mental y cómo campos de carrera específicos podrían verse afectados.
Los hallazgos de este análisis pueden ayudar a la Guardia Costera y a otras ramas del ejército a entender mejor la relación entre la atención de salud mental y la retención de miembros. Este entendimiento puede llevar a mejorar las estrategias e intervenciones para apoyar a los miembros del servicio a lo largo de sus carreras.
Al aprender más sobre estos temas, el ejército puede tomar medidas no solo para retener a sus miembros, sino también para promover su salud y bienestar en general.
Título: Service Retention Among Coast Guard Members Seeking Behavioral Healthcare
Resumen: IntroductionBehavioral health conditions (BHC) can reduce service member retention. This analysis sought to identify demographic and diagnostic factors among BHC care-seeking Active-Duty United States Coast Guard (ADCG) that were predictive of discharge before completion of obligated service. MethodsA four-year retrospective cohort study of ADCG personnel was conducted. Five machine-learning (ML) algorithms and logistic regression were applied to data on ADCG who sought outpatient care for BHC in 2016. Covariates examined as possible mediators of early service termination included diagnosis group, gender, rank grouping, and race. ResultsOnly 26.4 of every 1,000 members who sought BHC care did not complete their service obligation. Diagnosis group did not predict early service termination, whereas senior enlisted rank was associated with early termination. The ML algorithms best predictive of early discharge from service were bagging classifier and decision tree classifier. Logistic regression performed as well as the two leading algorithms. ConclusionsSpecific ML models can be used to identify personnel groups at risk for early separation, such as senior enlisted personnel. Traditional epidemiologic methods demonstrate value in predicting service member separation.
Autores: John Iskander, J. Allen, M. Vance, J. Mahlau-Heinert, J. Ahluwalia, D. Thomas, S. Singh
Última actualización: 2023-07-23 00:00:00
Idioma: English
Fuente URL: https://www.medrxiv.org/content/10.1101/2023.07.19.23292893
Fuente PDF: https://www.medrxiv.org/content/10.1101/2023.07.19.23292893.full.pdf
Licencia: https://creativecommons.org/publicdomain/zero/1.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.