Stress erkennen, ohne Pflegende zusätzlich zu belasten

Arbeitsbedingter Stress kann die Gesundheit, die Arbeitsfähigkeit und den Berufsverbleib von Pflegenden beeinträchtigen. Doch klassische Befragungen zeigen Belastungen oft erst spät. Ein BFH-Projekt untersucht deshalb, ob Smartwatch-, Dienstplan- und Routinedaten Stress im Pflegealltag frühzeitig und möglichst belastungsarm sichtbar machen können.

Wenn die Stressmessung zur Belastung wird

Hohe Arbeitsanforderungen, Schwierigkeiten bei der Vereinbarkeit von Arbeit und Privatleben sowie fehlende Erholungsmöglichkeiten prägen den Berufsalltag vieler Pflegenden. Arbeitsbedingter Stress ist dabei nicht nur für die Gesundheit der Mitarbeitenden relevant. Langfristig kann er auch mit Burnout, verminderter Arbeitsfähigkeit und der Absicht, den Beruf zu verlassen, zusammenhängen. Damit wird Stress auch zu einer Frage der nachhaltigen Sicherung der Gesundheitsversorgung.

Gesundheitsorganisationen erfassen solche Belastungen heute häufig mithilfe von Befragungen. Diese liefern wichtige Informationen, haben jedoch Grenzen: Sie benötigen Zeit, beanspruchen die Mitarbeitenden zusätzlich und decken häufig nur einen bestimmten Zeitpunkt ab. Gleichzeitig sinkt die Teilnahmebereitschaft an Befragungen. Kurzfristige Veränderungen zwischen einzelnen Arbeitstagen oder Schichten lassen sich damit nur schwer erkennen.

Hier setzte das interdisziplinäre BFH-Projekt «Technologische Erkennung von arbeitsbedingtem Stress bei Pflegefachpersonen» an. Forschende der Departemente Gesundheit sowie Technik und Informatik untersuchten, ob sich bereits vorhandene und automatisiert erhobene Daten nutzen lassen, um die Belastung möglichst nah am Arbeitsalltag abzubilden.

Stress ist mehr als ein hoher Puls

Eine zentrale Herausforderung ist zunächst die Frage, was überhaupt zu messen ist. Stress ist kein einzelner Wert. Ein anspruchsvoller Dienstplan, eine hohe Arbeitsmenge oder ein kurzfristiges Einspringen können Stressoren darstellen. Wie stark eine Person darauf reagiert, hängt jedoch unter anderem von individuellen Ressourcen, der Situation und den verfügbaren Erholungsmöglichkeiten ab.

Auch ein erhöhter Puls ist deshalb noch kein eindeutiges Stresssignal. Er kann ebenso durch körperliche Aktivität, etwa durch Treppensteigen oder schnelles Gehen, entstehen. Physiologische Signale müssen im Arbeitskontext interpretiert werden. Genau darin liegt der Vorteil eines Ansatzes, der unterschiedliche Datenquellen miteinander verbindet.

Vier Perspektiven auf denselben Arbeitstag

In einer dreimonatigen Machbarkeitsstudie nahmen 24 Pflegende aus zwei Gesundheitsorganisationen teil. Erfasst wurden vier unterschiedliche Arten von Informationen:

• Physiologische Daten über eine Smartwatch, beispielsweise zum Herzschlag.
• Dienstplandaten zur Abbildung von Arbeitszeiten und Schichtmustern.
• Texte aus der routinemässigen Pflegedokumentation, die von den teilnehmenden Pflegenden selbst verfasst wurden.
• Kurze tägliche Selbsteinschätzungen, die als Vergleichswert für das subjektive Stresserleben dienten.

Die Daten entstanden damit weitgehend dort, wo Stress tatsächlich auftritt: im realen Pflegealltag und nicht in einer künstlichen Laborsituation.

Die tägliche Selbsteinschätzung war erforderlich, um die technologisch erhobenen Daten mit dem persönlichen Erleben der Pflegenden abzugleichen. Denn erst dadurch lässt sich untersuchen, welche Muster tatsächlich mit wahrgenommenem Stress zusammenhängen.

Der Dienstplan liefert überraschend viel Kontext

Die Ergebnisse zeigen, warum diese verschiedenen Perspektiven wichtig sind. Besonders aufschlussreich waren die Informationen aus den Dienstplänen. Beispielsweise unterschieden sich die wahrgenommenen Belastungen je nach Schichttyp. Auch Änderungen des ursprünglich geplanten Dienstes oder das Einspringen an einem freien Tag können Hinweise auf eine beeinträchtigte Vereinbarkeit von Arbeit und Privatleben liefern.

Auch die technischen Analysen lieferten vielversprechende Ergebnisse. Physiologische und textbasierte Daten enthielten Informationen über Stress, doch keine der Quellen konnte das Gesamtbild für sich allein abbilden. Besonders relevant wurde der Kontext, wenn zusätzliche Informationen zum jeweiligen Dienst und zur Arbeitssituation berücksichtigt wurden. Die Vorarbeiten zeigen damit vor allem eines: Nicht die Anzahl der Daten ist entscheidend, sondern die sinnvolle Verbindung verschiedener Datenquellen.

Technisch machbar bedeutet noch nicht praxistauglich

Die Frage ist allerdings nicht nur, ob Stress technologisch erkannt werden kann. Ebenso wichtig ist, wie solche Verfahren eingesetzt werden.

Daten über Herzfrequenz, Arbeitszeiten oder die Nutzung digitaler Systeme können schnell den Eindruck einer permanenten Überwachung erwecken. In der Machbarkeitsstudie hatten deshalb nur die Forschenden Zugriff auf die anonymisierten Daten. Die hohe Bereitschaft zur Teilnahme zeigt, dass Pflegende solchen Ansätzen nicht grundsätzlich ablehnend gegenüberstehen. Entscheidend sind jedoch Transparenz, Datenschutz und ein klar erkennbarer Nutzen.

Ein zukünftiges Stressmonitoring sollte deshalb nicht beantworten: «Welche Pflegende ist besonders gestresst?» Viel relevanter ist die Frage: «Welche Arbeitsbedingungen führen wiederholt zu Belastungen und wo kann eine Organisation ansetzen?» Damit verschiebt sich der Fokus von der Überwachung einzelner Personen hin zur Prävention und zur Gestaltung gesunder Arbeitsbedingungen.

Vom Machbarkeitsnachweis zum Stressmonitoring

Die Studie zeigt, dass eine technologisch unterstützte Erfassung von arbeitsbedingtem Stress im realen Pflegealltag grundsätzlich möglich ist. Gleichzeitig macht sie deutlich, wo weiterer Forschungsbedarf besteht. Die Stichprobe war klein, die Beobachtungsdauer begrenzt und einzelne Stresssignale lassen sich noch nicht eindeutig interpretieren. Die Ergebnisse sind deshalb kein fertiges Instrument für Gesundheitsorganisationen, sondern ein Machbarkeitsnachweis und Ausgangspunkt für die nächste Forschungsphase.

In einem geplanten Folgeprojekt soll der Ansatz deshalb mit mehr Gesundheitspersonal, über einen längeren Zeitraum und mit zusätzlichen Datenquellen untersucht werden. Langfristig geht es darum, Veränderungen an den Arbeitsbedingungen bereits früher sichtbar zu machen. So könnten Gesundheitsorganisationen Belastungssituationen erkennen, bevor daraus gesundheitliche Folgen oder Berufsaustritte entstehen.

Referenzen

• Aebi, C., Grataloup, A., Ben Souissi, S. & Golz, C. (2026). Towards Realistic Privacy-Preserving Stress Detection for Nurses Using Smartwatch Data. In Proceedings of the 15th International Conference on Data Science, Technology and Applications – Volume 1: DATA; ISBN 978-989-758-854-9; ISSN 2184-285X, SciTePress, pages 317-324. DOI: 5220/0014980800004091
• Pareja Bernal, L. F., Ben Souissi, S., & Golz, C. (2026). Machine Learning–Based Detection of Workplace Stress Using Wearable and Multimodal Data: A Systematic Literature Review. Frontiers in Artificial Intelligence, 9, 1837195. https://doi.org/10.3389/frai.2026.1837195
• Ikae, C., Ben Souissi, S., Bieri, J.S. Müller, T.J., Feuz-Schlunegger, M., Golz, C. (2026). A scoping review of natural language processing for detecting work-related stress among health professionals. Discov Computing 29, 14. https://doi.org/10.1007/s10791-025-09886-7
• Bieri, J. S., Ikae, C., Ben Souissi, S., Müller, T. J., Schlunegger, M. C., & Golz, C. (2024). Natural Language Processing for Work-Related Stress Detection Among Health Professionals: Protocol for a Scoping Review. In JMIR Research Protocols (Vol. 13). JMIR Publications. https://doi.org/2196/56267