Analizzare le Dimissioni Anticipate nella Guardia Costiera
Uno studio rivela i fattori che influenzano le dimissioni anticipate tra i membri della Guardia Costiera.
― 5 leggere min
Indice
Le condizioni di salute comportamentale possono avere un grande impatto su quanto i membri del servizio riescano a svolgere il proprio lavoro e a rimanere nella Guardia Costiera. Sapendo quali fattori potrebbero rendere più probabile che i membri lascino prima della fine del loro servizio, la Guardia Costiera può creare politiche e programmi migliori per tenerli.
Questa analisi ha esaminato vari fattori demografici e Diagnosi di salute comportamentale tra i membri attivi della Guardia Costiera per vedere quali potrebbero portare a dimissioni anticipate. Questo settore non è stato studiato molto all'interno dell'esercito.
Panoramica dello Studio
Lo studio ha utilizzato l'analisi della sopravvivenza, un metodo che guarda quanto tempo ci vuole perché si verifichi un evento. In questo caso, l'evento era la dimissione anticipata dei membri del servizio. I ricercatori hanno utilizzato metodi di machine learning, che sono algoritmi informatici in grado di trovare schemi in grandi quantità di dati, per aiutare a identificare le tendenze.
I dati provenivano da due fonti principali: una forniva informazioni sui servizi sanitari utilizzati dai membri del servizio, e l'altra aveva registri del personale. Combinati, questi set di dati includevano informazioni sulle visite a specialisti della Salute Mentale dal 1 gennaio 2016 al 31 dicembre 2019. Solo i membri che avevano effettuato visite per salute comportamentale sono stati inclusi, escludendo quelli che hanno visto altri tipi di professionisti medici.
Raccolta Dati
Il set di dati finale conteneva diversi fattori, come:
- Gruppo di rango (livello di anzianità)
- La diagnosi di salute comportamentale più comune
- Razza e genere
- Numero di visite in terapia
- Tempo trascorso in servizio attivo
Queste variabili sono state analizzate per vedere se potevano prevedere la dimissione anticipata. Il principale risultato misurato era se un membro fosse stato dimesso prima di completare il proprio servizio.
Gestione dei Dati Mancanti
Quando alcuni dati erano mancanti, i ricercatori hanno riempito quei vuoti usando medie basate su rango o altre categorie pertinenti.
Machine Learning nello Studio
Per analizzare i dati, i ricercatori hanno diviso il set in gruppi di addestramento e di test. Hanno usato una tecnica chiamata SMOTE per assicurarsi che entrambi i gruppi includessero un numero uguale di membri del servizio che hanno lasciato presto e quelli che hanno completato il loro servizio.
Sono stati applicati diversi algoritmi di machine learning, tra cui alberi decisionali, foreste casuali e boosting gradiente. Il team ha utilizzato software per eseguire questi algoritmi e ha misurato le loro prestazioni basandosi su precisione, richiamo e punteggio F1. La precisione era particolarmente importante perché mostrava quanto accuratamente i modelli prevedessero le dimissioni anticipate.
Risultati Chiave
L'analisi ha trovato che circa 26 su ogni 1.000 membri che cercavano assistenza per la salute comportamentale non completavano il loro servizio. Anche se le donne utilizzavano più servizi di salute comportamentale rispetto agli uomini, i tassi di dimissione anticipata erano simili per entrambi i generi. Razza e genere non mostrano differenze significative nello stato di dimissione.
Le diagnosi più comuni tra coloro che lasciavano presto erano disturbi dell'umore, disturbi d'ansia e disturbi di adattamento. L'analisi indicava che essere bianchi o asiatici/insulari del Pacifico e avere un rango di sottufficiale era un fattore di rischio per la dimissione anticipata.
Particolarmente, il modello di regressione logistica ha identificato il genere maschile e disturbi legati all'alcol come importanti predittori di terminazione anticipata, il che era diverso dai principali gruppi di diagnosi identificati in precedenza.
Implicazioni dei Risultati
I risultati evidenziano l'importanza di riconoscere i fattori che contribuiscono alle dimissioni anticipate. Comprendere perché alcuni membri lasciano il servizio può aiutare la Guardia Costiera a progettare migliori programmi di supporto e intervento.
Anche se non tutti i membri che cercano assistenza per la salute comportamentale lasciano il servizio, lo studio ha trovato un numero piccolo ma significativo di dimissioni anticipate. Questo suggerisce che ci sono opportunità per migliorare la retention attraverso sforzi mirati, specialmente tra gli uomini e coloro con disturbi specifici.
Inoltre, i risultati indicano che i membri sottufficiali potrebbero affrontare sfide uniche che potrebbero influenzare le loro prestazioni e il loro benessere. Lo studio suggerisce che la Guardia Costiera dovrebbe considerare questi fattori nelle sue politiche e programmi.
Limitazioni e Punti di Forza
Ci sono alcune limitazioni nello studio. I membri che hanno ricevuto assistenza per la salute comportamentale al di fuori del database principale non sono stati inclusi, il che potrebbe limitare i risultati. Inoltre, il numero di membri che si sono dimessi anticipatamente era relativamente piccolo, il che potrebbe influenzare l'analisi.
Da un lato positivo, lo studio ha avuto un periodo di follow-up di quattro anni e ha utilizzato più modelli di machine learning per fornire risultati robusti. I risultati possono servire come base per future ricerche mirate a migliorare la retention dei membri del servizio.
Opportunità di Ricerca Futura
Studi futuri potrebbero esaminare ulteriormente le ragioni per cui i membri cercano servizi di salute comportamentale e come tali servizi si relazionano alle loro decisioni di rimanere nella Guardia Costiera. C'è anche potenziale per esaminare tendenze geografiche, impatti a lungo termine delle condizioni di salute comportamentale e come specifici settori professionali potrebbero essere influenzati.
I risultati di questa analisi possono aiutare la Guardia Costiera e altre branche militari a comprendere meglio la relazione tra assistenza per la salute comportamentale e retention dei membri del servizio. Questa comprensione può portare a strategie e interventi migliorati per supportare i membri del servizio durante le loro carriere.
Imparando di più su queste questioni, l'esercito può adottare misure non solo per trattenere i propri membri ma anche per promuovere la loro salute e benessere complessivi.
Titolo: Service Retention Among Coast Guard Members Seeking Behavioral Healthcare
Estratto: 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.
Autori: John Iskander, J. Allen, M. Vance, J. Mahlau-Heinert, J. Ahluwalia, D. Thomas, S. Singh
Ultimo aggiornamento: 2023-07-23 00:00:00
Lingua: English
URL di origine: https://www.medrxiv.org/content/10.1101/2023.07.19.23292893
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.07.19.23292893.full.pdf
Licenza: https://creativecommons.org/publicdomain/zero/1.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia medrxiv per l'utilizzo della sua interoperabilità ad accesso aperto.