Descubrimiento de patrones asociativos entre el nivel de sonido en el lugar de trabajo y el bienestar fisiológico utilizando dispositivos portátiles y modelos empíricos de Bayes

Jun 23, 2023

npj Digital Medicine volumen 6, Número de artículo: 5 (2023) Citar este artículo

2544 Accesos

1 Citas

151 Altmetric

Detalles de métricas

Realizamos un estudio de campo utilizando múltiples dispositivos portátiles en 231 trabajadores de oficinas federales para evaluar el impacto del ambiente interior en el bienestar individual. Investigaciones anteriores han establecido que el entorno laboral está estrechamente relacionado con el bienestar de un individuo. Dado que el sonido es el factor ambiental más informado que causa estrés e incomodidad, nos enfocamos en cuantificar su asociación con el bienestar fisiológico. El bienestar fisiológico se representa como una variable latente en un modelo empírico de Bayes con medidas de variabilidad de la frecuencia cardíaca: SDNN y HF normalizada como resultados observados y con factores exógenos que incluyen el nivel de sonido como entradas. Encontramos que el bienestar fisiológico de un individuo es óptimo cuando el nivel de sonido en el lugar de trabajo es de 50 dBA. En rangos de amplitud más bajos (<50dBA) y más altos (>50dBA), un aumento de 10 dBA en el nivel de sonido está relacionado con un aumento del 5,4 % y una disminución del 1,9 % en el bienestar fisiológico, respectivamente. La edad, el índice de masa corporal, la presión arterial alta, la ansiedad y el uso intensivo de la computadora son factores a nivel de persona que contribuyen a la heterogeneidad en la asociación sonido-bienestar.

El bienestar es la capacidad del cuerpo humano para hacer frente al estrés del día a día. En promedio, cuatro de cada diez empleados en organizaciones en los EE. UU. encuentran su trabajo y lugar de trabajo estresante y que afecta negativamente su salud1. Estudios anteriores han demostrado que el entorno laboral está estrechamente relacionado con los marcadores de bienestar de un empleado de oficina, incluidos el estado mental, la productividad, el estrés y la longevidad2. Entre los factores estresantes ambientales, el nivel de sonido se considera un contribuyente significativo a una variedad de resultados adversos para la salud3. La Organización Mundial de la Salud (OMS) ha identificado los niveles elevados de sonido o ruido como la segunda causa ambiental principal de problemas de salud después de la calidad del aire, lo que provoca efectos graves en la salud, como estrés, enfermedades coronarias, accidentes cerebrovasculares y alteraciones en la comunicación, el descanso y el sueño4. Si bien la investigación anterior se ha centrado en los entornos industriales y el ruido ambiental (p. ej., aviones y tráfico), ha faltado investigación sobre el efecto de niveles más moderados de sonido en el lugar de trabajo en nuestro bienestar debido a los desafíos tecnológicos y de diseño del estudio5. Llevamos a cabo un experimento natural a gran escala en un entorno de oficina real utilizando múltiples dispositivos portátiles y desarrollamos métodos explicables6 para modelar meticulosamente la asociación sonido-bienestar. Al obtener información sobre la asociación entre el nivel de sonido en el lugar de trabajo y el bienestar fisiológico, las organizaciones pueden realizar cambios de política informados que impacten en la longevidad, la moral y la productividad de sus trabajadores.

Nuestro presente estudio que indaga sobre la asociación sonido-bienestar es parte del programa Wellbuilt-for-Wellbeing (WB2) de la Administración de Servicios Generales de EE. UU. (GSA), una colaboración de investigación interdisciplinaria7 para evaluar el impacto del entorno laboral en el bienestar de los blancos. oficinistas de cuello. Los participantes del estudio usaron dos sensores durante tres días mientras realizaban sus actividades diarias, un monitor cardíaco y de actividad física y un dispositivo basado en sensores de calidad del entorno personal. El análisis de datos preliminares utilizando modelos de regresión de efectos mixtos muestra una asociación curvilínea significativa entre el nivel de sonido y dos medidas de variabilidad de la frecuencia cardíaca (HRV): SDNN y HF normalizada. Desarrollamos un modelo empírico de Bayes para caracterizar el bienestar fisiológico en función de SDNN y HF normalizado y para cuantificar su relación funcional con el nivel de sonido y otros predictores. Posteriormente, analizamos la heterogeneidad en el efecto del nivel de sonido entre los participantes del estudio utilizando un método basado en la regularización. Utilizamos la evaluación del poder predictivo para comparar nuestros métodos con métodos alternativos aplicables para abordar los desafíos de modelado de analizar múltiples resultados simultáneamente y capturar la heterogeneidad en los efectos. Mostramos que nuestros métodos propuestos tienen un mejor rendimiento predictivo que los métodos existentes y son vitales para el descubrimiento de patrones asociativos entre el nivel de sonido en el lugar de trabajo y el bienestar fisiológico. Nuestro estudio puede informar las políticas que afectan el bienestar de los trabajadores de oficina en todo el mundo y contribuye a la literatura sobre métodos explicables para analizar datos de dispositivos portátiles.

Un total de 248 oficinistas expresaron interés en participar en nuestro estudio, lo que representa aproximadamente el 12% de la plantilla ubicada en áreas de los edificios de oficinas donde se realizó la contratación. Se excluyeron las mujeres embarazadas y las que usaban marcapasos o bombas de insulina. Se anotó pero no se excluyó a los participantes que tomaban medicamentos que se sabe que afectan la actividad cardíaca. Por problemas de horario, enfermedad y criterios de exclusión, 17 oficinistas no participaron, resultando en una inscripción total de 231 participantes. Debido a cambios inesperados en los horarios de trabajo, 8 de los 231 participantes solo fueron observados durante dos días, en lugar de los tres días completos. La edad promedio de los participantes fue de 44,15 (DE = 12,22), 49,78% mujeres, con un índice de masa corporal (IMC) promedio de 27,60 (DE = 6,10).

Se recopilaron datos de los participantes mediante una encuesta de admisión, un dispositivo de detección del entorno que se coloca en el cuello, un monitor de actividad física y del corazón que se coloca en el pecho, y encuestas móviles de muestreo de experiencia registradas cada dos horas mientras los participantes estaban en las instalaciones de la oficina. Después del procesamiento previo, nuestro conjunto de datos contenía 31 557 observaciones agregadas en intervalos de cinco minutos y procesó aproximadamente 200 000 minutos de flujos de datos portátiles de los 231 participantes. Se puede encontrar más información sobre los datos y las variables en el sitio web del programa WB27 y en un estudio anterior8.

Entrenamos dos modelos de regresión multinivel independientes en nuestros datos con SDNN y HF normalizado como resultados respectivos. El nivel de sonido se incluyó como efecto fijo y como efecto aleatorio en los modelos. Encontramos que el efecto fijo del nivel de sonido en el lugar de trabajo fue significativo, tanto de primer orden como de segundo orden, en los dos modelos, es decir, \(\beta _{Sound,SDNN} = 0.1038\) (p < 0.0001, 95% IC = 0,0448–0,1627, d de Cohen = 0,23), \(\beta _{Sound^2,SDNN} = - 0,0075\) (p < 0,0001, 95 % IC = −0,0096–−0,0054, d de Cohen = 0,45), \(\beta _{Sonido,normalizado - HF} = - 0,0979\) (p < 0,0001, IC del 95 % = −0,1216 a −0,0742, d de Cohen = 0,53), y \(\beta _{Sonido^2,normalizado - IC} = 0,0013\) (p = 0,015, IC 95% = 0,0003-0,0023, d de Cohen = 0,17). Además, la calidad de ajuste medida por Akaike Information Criteria (AIC)9 para los modelos curvilíneos fue mejor que los modelos correspondientes con solo efectos lineales de nivel de sonido. Esto muestra que el nivel de sonido tiene un efecto curvilíneo significativo en ambas medidas de bienestar fisiológico. En segundo lugar, también encontramos que incluir el nivel de sonido como un efecto aleatorio mejora la calidad del ajuste de los modelos, lo que implica que la asociación entre el nivel de sonido y el bienestar fisiológico varía entre los individuos.

La asociación curvilínea se puede visualizar aún más a través de una función suave del nivel de sonido como una entrada no paramétrica en un modelo mixto aditivo generalizado (GAMM)10 con el resultado como una transformación univariada11 de SDNN y HF normalizado. La figura 1 muestra la función suave de GAMM para la asociación sonido-bienestar con un extremo de alrededor de 50 dBA. La estimación puntual de 50 dBA como nivel sonoro óptimo se verificó mediante un procedimiento de optimización12.

La línea continua indica cómo varía el bienestar fisiológico en función del nivel de sonido, mientras que las líneas discontinuas son intervalos de confianza.

Utilizamos un modelo Bayes jerárquico empírico para modelar simultáneamente la asociación del nivel de sonido con las medidas de HRV: SDNN y HF normalizada, que son indicadores comunes del bienestar fisiológico13,14,15. En el modelo, se introdujeron efectos fijos para las entradas: nivel de sonido, nivel de actividad física, hora del día, día de la semana, grupo de edad, grupo de IMC y género. Se introdujeron efectos aleatorios para el nivel de sonido y la actividad física. Estandarizamos la entrada (nivel de sonido) y los resultados (SDNN y HF normalizado) para eliminar la sensibilidad y los desafíos en la convergencia de estimación posterior debido a las diferencias de escala en las unidades. A las varianzas de error se les asignó un semiprevio de Cauchy difuso, y a todos los demás hiperparámetros se les asignó un previo Normal difuso16. Se utilizó el algoritmo hamiltoniano Monte Carlo para muestrear cuatro cadenas paralelas17. El corte estadístico R-hat <1.1 y la verificación de divergencia cero se utilizaron como pruebas de validación para estimaciones posteriores de parámetros y evaluación de la calidad del ajuste17.

Las estimaciones de la distribución posterior media y los intervalos creíbles del 90% (entre el percentil 5 y el 95 de la distribución posterior) de los coeficientes de efectos fijos del modelo empírico de Bayes se dan en la Tabla 1. Las estimaciones posteriores de los efectos fijos indican una asociación significativa entre nivel de sonido, hora del día, día de la semana, nivel de actividad física, edad, IMC y bienestar fisiológico en el lugar de trabajo.

El efecto fijo del nivel de sonido en el modelo empírico de Bayes representa la asociación sonido-bienestar en toda la población de estudio después de tener en cuenta la heterogeneidad individual como coeficientes de efectos aleatorios. El coeficiente para el nivel de sonido indica un cambio en el bienestar fisiológico por una desviación estándar (SD) relacionada con un cambio de desviación estándar (SD) unitario en el nivel de sonido, ya que tanto la entrada como los resultados están estandarizados. Sabiendo que la SD del nivel de sonido en el conjunto de datos es de 8,79 dBA y que los coeficientes de la Tabla 1 están estandarizados, podemos calcular las estimaciones de los coeficientes no estandarizados para hacer las siguientes inferencias. Para amplitudes de sonido inferiores a 50 dBA, un aumento de 10 dBA en el nivel de sonido se relaciona con un aumento del 5,4 % (0,95 % IC = 2,2–7,4 %, d de Cohen = 0,11) en el bienestar fisiológico. Para amplitudes de sonido superiores a 50 dBA, un aumento de 10 dBA en el nivel de sonido se relaciona con una disminución del bienestar fisiológico en un 1,9 % (0,95 % IC = 0,5–3,8 %, d de Cohen = 0,09).

Comparamos el desempeño predictivo del modelo empírico de Bayes con los siguientes tres métodos alternativos que se pueden usar para modelar simultáneamente dos resultados: (i) un método de transformación univariante clásico11, (ii) un método de transformación univariante entrenado usando un enfoque bayesiano, y ( iii) un método clásico de modelado de ecuaciones estructurales multinivel18. Los modelos que utilizan el enfoque clásico se entrenan utilizando los paquetes R lavaan19 y nlme20 en una PC con procesador de 2,7 GHz y 16 GB de RAM, mientras que el modelo empírico de Bayes se escribió y ejecutó utilizando el programa Stan a través de la interfaz RStan17, en un clúster de computadoras de alto rendimiento con 28 nodos (192 GB de RAM por nodo, procesadores Intel Haswell v3 de 28 núcleos). Las predicciones de los modelos para SDNN y HF normalizado se comparan con los valores medidos (reales) de las dos medidas para calcular el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE)21 (Tabla 2). La Tabla 2 muestra que el modelo entrenado con el modelo empírico de Bayes tiene el RMSE y el MAPE más bajos, lo que indica que nuestro método es superior a otros métodos para el modelado simultáneo de SDNN y HF normalizado.

Además, comparamos el rendimiento predictivo de nuestro modelo bayesiano con cinco modelos populares de aprendizaje automático: red neuronal (NN), árboles de clasificación y regresión (CART) y splines de regresión adaptativa multivariable (MARS), bosque aleatorio (RF) y máquina potenciadora de gradiente. (GBM) 21. Entrenamos estos modelos en datos de entrenamiento con y sin nivel de sonido como variable de entrada para evaluar si el nivel de sonido es un buen predictor de SDNN y HF normalizado. Los resultados (Tabla 3) muestran que nuestro modelo supera a NN, CART, MARS, y su rendimiento es comparable a los métodos de aprendizaje por conjuntos RF y GBM. A excepción de NN y CART, el rendimiento de todos los demás modelos mejora cuando se incluye el nivel de sonido como entrada. Esto muestra que el nivel de sonido predice ambas medidas de bienestar fisiológico.

La heterogeneidad en la asociación sonido-bienestar entre individuos se explica por los coeficientes de efectos aleatorios de las entradas de nivel de sonido en el modelo empírico de Bayes. La figura 2 muestra una visualización de diagrama de oruga de estimaciones posteriores de los efectos aleatorios del nivel de sonido y su intervalo creíble del 60 % (probabilidad de que la muestra de la distribución a posteriori se encuentre dentro del rango dado) en el modelo empírico de Bayes. Las líneas verticales muestran los correspondientes coeficientes de efectos fijos del nivel de sonido. La dispersión de los valores medios de las estimaciones posteriores de los efectos aleatorios indica una heterogeneidad sustancial en la asociación entre el sonido y el bienestar entre los participantes del estudio.

La línea discontinua vertical es el coeficiente de efecto fijo, mientras que las líneas azules horizontales indican los efectos aleatorios del nivel de sonido en el bienestar fisiológico de los participantes. a Gráfico de Caterpillar para nivel sonoro <50 dBA, y b el gráfico para nivel sonoro >=50 dBA.

Desarrollamos un método de selección de características basado en la regularización para identificar las variables a nivel de persona que contribuyen a la heterogeneidad. Las variables a nivel de persona que se ingresaron en el modelo fueron neuroticismo, sensibilidad al ruido, edad, IMC, presencia de presión arterial alta (PA), ansiedad, problemas para dormir, tipo de trabajo intensivo en uso de computadora (CUI), trabajo gerencial, reunión de trabajo intensivo, técnico trabajo y exposición al sonido promedio. Todas las variables a nivel de persona, excepto la edad, el IMC y la exposición promedio al sonido, se basaron en una encuesta completada por los participantes al comienzo del estudio.

Consideramos dos subconjuntos de datos, uno con niveles de sonido <50 dBA (niveles de sonido bajos) y el otro con niveles de sonido ≥50 dBA (niveles de sonido altos), para ajustar dos conjuntos independientes de modelos. Al ajustar dos conjuntos independientes de modelos, pudimos hacer inferencias independientes sobre los efectos de heterogeneidad individuales para cada escenario. Los coeficientes para los modelos de selección de características regularizados se encuentran en la Tabla 4.

La Tabla 4 muestra que la Edad, el IMC, la PA alta, la Ansiedad y el tipo de trabajo CUI son factores que contribuyen a la variabilidad interpersonal en la asociación sonido-bienestar. Las celdas en blanco muestran que los coeficientes de las variables correspondientes se han reducido a cero mediante el método de selección de características correspondiente (es decir, lazo, lazo adaptativo, red elástica). Para todas las variables a nivel de persona que no se enumeran en la Tabla 4, los tres métodos de selección de características redujeron los coeficientes correspondientes a cero.

Para evaluar el rendimiento de nuestro método, comparamos el rendimiento predictivo del modelo empírico de Bayes con tres conjuntos de variables de entrada: (i) entradas que no incluyen variables a nivel de persona como moderadores, (ii) entradas que incluyen todas las variables a nivel de persona como moderadores y (iii) entradas que incluyen variables a nivel de persona identificadas mediante el método de modelado de coeficientes variables como moderadores. Los moderadores se incluyeron como interacciones bidireccionales con efecto fijo de nivel de sonido. La Tabla 5 muestra los errores de predicción de los tres modelos con respecto a SDNN y HF normalizado. El modelo con variables específicas a nivel de persona identificadas mediante nuestro método basado en la regularización tiene los valores RMSE y MAPE más pequeños (los mejores).

La PA alta y el tipo de trabajo con uso intensivo de la computadora (CUI) fueron los factores a nivel de persona que más contribuyeron a la heterogeneidad en la asociación sonido-bienestar. Las Figuras 3(a), (b) son gráficos que muestran el cambio en el resultado debido a los efectos de interacción de las variables de tipo de trabajo de PA alta y CUI con el efecto fijo del nivel de sonido en el modelo. La figura 3(a) muestra que los trabajadores de oficina con presión arterial alta se ven más afectados negativamente que los participantes con presión arterial normal. La Figura 3(b) muestra que los trabajadores de oficina involucrados en el trabajo CUI tienen mayores efectos positivos de los niveles de sonido sobre el bienestar fisiológico en amplitudes inferiores a 50 dBA, pero tienen mayores efectos negativos de los niveles de sonido sobre el bienestar fisiológico en amplitudes superiores a 50 dBA en comparación con otros oficinistas.

a Línea continua verde: presión arterial normal. Línea discontinua roja: presión arterial alta. b Línea continua verde: Trabajo intensivo en uso de computadora. Línea discontinua roja: Trabajo no intensivo en uso de computadora.

Los lugares de trabajo pueden diseñarse para evocar emociones positivas, estimular la creatividad y la colaboración, e intensificar el compromiso22. Por otro lado, los entornos de trabajo inadecuados tienen el potencial de causar estrés y problemas de salud en los empleados23. El bienestar psicológico consiste en relaciones positivas con los demás, dominio personal, autonomía, un sentimiento de propósito y significado en la vida, y crecimiento y desarrollo personal24. Por otro lado, el bienestar fisiológico está asociado a un equilibrio dinámico y en constante adaptación en el sistema fisiológico humano condicionado por demandas momentáneas25.

Las fuentes de sonido en las oficinas incluyen conversaciones de otras personas, llamadas telefónicas y equipos mecánicos. La percepción favorable del trabajador de un lugar de trabajo está estrechamente relacionada con la exposición al nivel de sonido ambiental26,27,28. En consecuencia, el nivel de sonido es un factor ambiental importante en el lugar de trabajo que podría afectar la salud y el bienestar de los empleados29. Se ha demostrado que la amplitud del sonido no solo afecta el estado de ánimo y la productividad, sino también el estado fisiológico de bienestar29. Por ejemplo, se observó que los niveles de sonido cercanos a 70 dBA eran óptimos para la cognición creativa30, mientras que los niveles superiores a 85 dBA parecían perjudiciales para la salud31. En cuanto a la asociación entre el sonido y el bienestar, algunos estudios revelaron una relación negativa entre los altos niveles de sonido (es decir, el ruido) y las medidas de bienestar fisiológico32, mientras que otros estudios informaron resultados no concluyentes29,33. También se demostró que las fuentes y tipos de ruido no tienen un efecto significativo sobre el bienestar fisiológico34,35. Además, se observó que el efecto del nivel de sonido en los resultados fisiológicos, si los hay, era constante tanto para frecuencias de sonido altas como bajas32,36. También se ha observado que la naturaleza de la relación sonido-bienestar es no monótona37 e instantánea38. En la Tabla complementaria 1 se proporciona una tabla que resume los estudios sobre la asociación entre el sonido y el bienestar. Los estudios existentes que analizan la asociación entre el sonido y el bienestar tienen tres limitaciones principales. Primero, la mayoría de los estudios en el pasado emplearon experimentos con un conjunto limitado de tratamientos, tamaños de muestra pequeños y un número limitado de variables de control29,33,35,36. En consecuencia, los resultados de esos estudios no pueden generalizarse fácilmente a los lugares de trabajo de oficina reales. En segundo lugar, los estudios informan los resultados de múltiples modelos correspondientes a diferentes medidas de bienestar fisiológico33,34,35, lo que dificulta generalizar los conocimientos y tomar medidas. En tercer lugar, la asociación sonido-bienestar no se ha cuantificado con precisión mediante un modelo37. Nuestro presente estudio busca abordar estas limitaciones mediante la realización de un experimento natural a gran escala en un entorno de oficina utilizando dispositivos portátiles y el desarrollo de un conjunto de métodos estadísticos para modelar la asociación sonido-bienestar.

La HRV es la variabilidad entre los latidos del corazón y se considera como una medida proxy del bienestar fisiológico de una persona, es decir, cuanto mayor sea la variabilidad, mayor será el bienestar15,39. Es una medida relativamente menos intrusiva y más confiable que registrar señales alternativas de bienestar fisiológico, como el cortisol salival y la conductancia de la piel40. Si bien existen muchas medidas de HRV, cada una sirve como una lente ligeramente diferente para ver la respuesta fisiológica al estrés del cuerpo41. La media de la desviación estándar para todos los intervalos RR sucesivos (SDNN) es un índice global de HRV y refleja las diferencias de circulación a más largo plazo o la actividad general en el sistema nervioso autónomo (ANS)42. El componente de alta frecuencia normalizado (HF normalizado) de HRV es la relación entre el valor absoluto de la alta frecuencia y la diferencia entre las bandas de potencia total y muy baja frecuencia en el espectro de potencia del dominio de frecuencia de la frecuencia cardíaca que enfatiza los cambios en el sistema nervioso parasimpático. (PNS) regulación42. La SDNN y la HF normalizada son indicadores de estrés temporal y modulación vagal/parasimpática, respectivamente, y se ha encontrado consistentemente que valores altos de SDNN y HF normalizada indican una mejor salud y bienestar13,14,15. Dado que no existe una única medida unificada de bienestar fisiológico identificada en la literatura anterior15,39,40,41, adoptamos un enfoque empírico al definir el bienestar fisiológico como una variable latente (es decir, oculta) (θ) en un modelo bayesiano, que captura la variaciones de SDNN y HF normalizado simultáneamente. Se examinaron otras medidas de HRV como RMSSD, SDRR, HF, LF, normalized-LF, LF/HF, Poincare plots39 pero no se consideraron como resultados debido a que su varianza fue baja en nuestros datos o su inclusión no mejoró significativamente la calidad de ajuste de nuestro modelo.

Los estudios de salud digital existentes que analizan múltiples resultados ajustan un modelo independiente para cada resultado e informan los coeficientes para cada uno de los modelos por separado33,34,35,37. La interpretación y comunicación de los resultados de múltiples modelos para la toma de decisiones puede ser un desafío. Un modelo estadístico con un conjunto único de coeficientes para resultados múltiples, conocido como modelado simultáneo, es adecuado para este propósito11,43,44. El modelado simultáneo difiere del modelado multivariante, donde se estiman coeficientes para cada resultado junto con parámetros de correlación cruzada45,46. Por ejemplo, para tres resultados y tres entradas, un modelo de regresión múltiple simultánea contendrá tres coeficientes (excluyendo el intercepto), mientras que un procedimiento de modelado de regresión multivariable estimará nueve coeficientes (excluyendo los interceptos para los resultados) y la covarianza correspondiente entre los coeficientes. Un enfoque para el modelado simultáneo implica llevar a cabo una transformación univariante de múltiples resultados después de tener en cuenta la heterogeneidad en las varianzas de error11,44,47. En este método de transformación univariado, aunque los diferentes resultados tienen diferentes varianzas de error en el modelo, se supone que los efectos de las variables de entrada son uniformes en todos los resultados. El modelado de variables latentes es otro enfoque para el modelado simultáneo de múltiples resultados48. Sin embargo, los enfoques clásicos de modelado de variables latentes, como el modelado de ecuaciones estructurales, requieren que los elementos individuales de los constructos latentes estén relacionados teóricamente y tengan validez de constructo49. Además, el procedimiento de estimación se vuelve complejo con datos longitudinales como el de los wearables51. Nuestro propone un método de modelado bayesiano jerárquico empírico para superar estos desafíos relacionados con el modelado simultáneo de múltiples resultados. Si bien es útil comprender los efectos a nivel de la población de los insumos sobre los resultados, las ideas sobre cómo y por qué los efectos difieren entre los individuos pueden ser valiosas. Los efectos aleatorios en un modelo multinivel indican la presencia de heterogeneidad individual en los efectos de entrada50. Un enfoque simple para identificar los factores que contribuyen a la heterogeneidad individual es introducir cada factor en un término de interacción con la variable de entrada y probar su importancia. Esto se conoce como modelado de pendientes como resultados50. Sin embargo, este enfoque es sensible al ruido en los datos longitudinales y se vuelve engorroso a medida que aumenta el número de factores potenciales50, como en nuestro caso. Por lo tanto, proponemos el método de modelado de heterogeneidad para identificar factores a nivel de persona que moderan la relación sonido-bienestar.

El modelado predictivo y el explicativo van de la mano, ya que el primero predice el futuro utilizando datos existentes, centrándose en preguntas de "Qué será", mientras que el segundo ilumina patrones ocultos y nos informa sobre "Qué es" con respecto a un fenómeno51. Ambos son importantes para crear valor utilizando datos generados a partir de fuentes digitales como los dispositivos portátiles. A medida que aumenten las aplicaciones basadas en tecnología portátil en el futuro, la cantidad de datos disponibles para analizar aumentará exponencialmente y garantizará más avances en el modelado explicativo para interpretaciones significativas de patrones. Si bien los métodos de aprendizaje automático, como los aprendices en conjunto y las redes neuronales, pueden predecir los resultados, su capacidad para explicar las relaciones funcionales entre las entradas y los resultados es limitada21. Por lo tanto, en este estudio, desarrollamos nuevos métodos explicables para datos digitales generados a partir de dispositivos portátiles y los aplicamos para explorar la asociación sonido-bienestar. Nuestro estudio permite a los investigadores y profesionales no solo reconciliar algunas de las diferencias en el trabajo anterior sobre el efecto del sonido en el bienestar, sino también separar los factores que deben controlarse en el trabajo futuro (por ejemplo, la presión arterial y la naturaleza del trabajo). A medida que la tecnología portátil está ampliamente disponible, la medición personalizada es factible y permite comprender el impacto de nuestro entorno a nivel individual. Esto puede mejorar el diseño del lugar de trabajo, la medicina personalizada y dirigida, y también brindar a las personas el conocimiento para tomar decisiones personales para maximizar el bienestar. Estos, a su vez, mejoran nuestra capacidad para funcionar de la mejor manera posible en el lugar de trabajo.

Nuestro estudio tiene las siguientes suposiciones y limitaciones. Nos enfocamos en modelar los efectos de los niveles de sonido en el lugar de trabajo sobre el bienestar fisiológico de los trabajadores de oficina, pero no hemos recopilado información sobre los tipos de sonido (p. ej., conversación, ruido de fondo mecánico, etc.) y frecuencias (p. ej., baja frecuencia, tonos de voz). , alta frecuencia, etc.) debido a preocupaciones de privacidad individuales y limitaciones de la tecnología de sensores. Sin embargo, dado que investigaciones anteriores han demostrado que el tipo y la frecuencia del sonido de la oficina no moderan los efectos del nivel de sonido en los resultados del bienestar fisiológico32,35, creemos que nuestros hallazgos seguirán siendo válidos al controlar el tipo y la frecuencia de los sonidos ambientales. En segundo lugar, hemos agregado el nivel de sonido y otras variables de nivel 1 en intervalos de 5 minutos para que coincidan con el grano de las medidas de HRV de bienestar fisiológico a corto plazo: SDNN y HF normalizado siguiendo las pautas clínicas52,53. Por lo tanto, no se han investigado los efectos duraderos de los picos en el nivel de sonido debido a eventos repentinos (p. ej., gritos, objetos que caen o se rompen, etc.) o la variación del nivel de sonido en un período de tiempo breve, lo que puede examinarse en investigaciones futuras. Sin embargo, en nuestros modelos se tienen en cuenta los efectos de los eventos repetidos varias veces, así como los ruidos de fondo consistentes a lo largo del intervalo de cinco minutos. A continuación, planteamos la hipótesis de que SDNN es capaz de rastrear el estrés temporal y que la HF normalizada es capaz de rastrear la modulación vagal/parasimpática de la respuesta al estrés y su combinación es un indicador del bienestar fisiológico, ya que se ha demostrado que ambas medidas están relacionadas con la salud física y bienestar13,14,15. La combinación de posibles HRV tanto en dominios temporales como espectrales es un esfuerzo continuo dentro de las comunidades de investigación. Se pueden examinar otras combinaciones de indicadores de bienestar fisiológico utilizando nuestro método para otros escenarios como investigación futura (p. ej., LF y HF como indicadores de bienestar fisiológico en un entorno de fábrica). Finalmente, los datos de cada uno de los 231 participantes se recopilaron durante un máximo de 3 días, por lo que nuestro estudio no hace ninguna inferencia relacionada con los efectos a largo plazo del sonido en el bienestar fisiológico. Los estudios futuros pueden examinar los datos de una población de estudio más grande durante un período más largo para informar los efectos a largo plazo del nivel de sonido en el lugar de trabajo sobre el bienestar.

El Wellbuilt-for-Wellbeing (WB2)7 consistió en un estudio de campo de varias fases de dieciséis meses financiado por la Administración de Servicios Generales de EE. UU. para comprender el impacto del entorno laboral en el bienestar de los oficinistas administrativos. En el estudio, se reclutó a trabajadores adultos sanos que se describían a sí mismos y que desempeñaban una variedad de funciones de oficina para el gobierno de EE. UU. en cuatro edificios de oficinas federales en todo el país. Los edificios fueron seleccionados por su representación de los tipos comunes de estaciones de trabajo de oficina en la cartera de espacio de oficinas de la Administración de Servicios Generales de EE. UU., que alberga a más de un millón de empleados. Se ofreció la oportunidad de participar al personal de las secciones de cada edificio de oficinas, de organizaciones con aprobación de liderazgo. Después de dar su consentimiento informado por escrito, los participantes completaron una encuesta de admisión que constaba de preguntas demográficas. Los participantes usaron dos sensores durante tres días mientras realizaban sus actividades diarias, un monitor cardíaco y de actividad física y un dispositivo basado en sensores de calidad del entorno personal. El estudio también incluyó encuestas móviles de muestreo de experiencia para recopilar las respuestas psicológicas percibidas de los individuos en intervalos periódicos de una a dos horas. Nuestro estudio fue aprobado por la Junta de Revisión Institucional de la Universidad de Arizona.

Las medidas de HRV: SDNN y HF normalizada se calcularon utilizando las pautas de la Sociedad Europea de Cardiología y la Sociedad Norteamericana de Marcapasos y Electrofisiología52. Los niveles de actividad física se evaluaron en g (es decir, 1 unidad de fuerza gravitacional) del sensor acelerómetro triaxial del EcgMove354. Los niveles de sonido se agregaron a intervalos de 5 minutos para integrarlos con las medidas de bienestar fisiológico SDNN y HF normalizado, suponiendo que no hubiera efectos retardados38. Solo se consideraron en el análisis las observaciones con ambos valores de resultado presentes. Se descartaron las observaciones con valores de resultado por encima del percentil 99,5. La edad y el IMC se discretizaron en cinco y cuatro niveles, respectivamente, para facilitar la interpretación. Los datos de los participantes con menos de una hora de datos registrados se excluyeron del análisis. Los valores faltantes en las variables de entrada se imputaron utilizando valores medios. Aparte del nivel de sonido como variable de entrada y SDNN y HF normalizado como resultados, las variables a nivel de persona (p. ej., grupo de edad, grupo de IMC, género, etc.), indicadores temporales (hora del día, día de la semana), y los niveles de actividad física se incluyeron como covariables en los modelos estadísticos. Las observaciones de los días 1 y 2 de participación de todos los participantes se consideraron como el conjunto de datos de entrenamiento, y las observaciones del día 3 se usaron como muestra reservada (es decir, conjunto de datos de prueba) para evaluar el rendimiento predictivo de los modelos. Las variables de entrada y las variables a nivel de persona se recopilaron en base a la literatura previa sobre el modelado del bienestar ambiental7,37,55,56 y el conocimiento del dominio. Después de la selección de características por pasos, solo se consideraron las entradas significativas en el modelo final y se informaron. Las estadísticas resumidas de las variables de entrada se proporcionan en la Tabla complementaria 2.

Como se mencionó anteriormente, no existe una única construcción teórica que unifique múltiples medidas de bienestar físico, aunque existen numerosos indicadores independientes de bienestar fisiológico15,42,57. La SDNN y la HF normalizada como medidas de HRV se relacionan de manera diferente con las actividades simpáticas y parasimpáticas del sistema nervioso autónomo (ANS)42. En lugar de analizar sus asociaciones con el nivel de sonido por separado usando dos modelos, un modelo empírico de Bayes hace posible combinar los dos resultados en una sola construcción latente de bienestar fisiológico que luego puede modelarse como una función del nivel de sonido y otras variables exógenas. Siguiendo a Merkle y Wang (2018)58, definimos un modelo bayesiano con una variable latente que combina múltiples resultados \(Y = \{ y_1,y_2, \ldots ,y_h, \ldots ,y_H\}\) de la siguiente manera:

En la ecuación. (1), \(N\left( {\mu _h,\sigma _h^2} \right)\) es una distribución normal con un a priori no informativo para la varianza \(\sigma _h^2\), \( \gamma _h\) es la intersección para el resultado h, y \(\theta _{ik}\) es el valor del factor latente \(k^{th}\). Φ y \(\lambda _{hk}\) son otros hiperparámetros a estimar. En nuestro estudio, establecemos \(m = 1\) ya que tenemos el bienestar fisiológico como la única variable latente que combina dos resultados SDNN (\(y_1\)) y HF normalizado (\(y_2\)). Expresamos la ecuación anterior a un nivel de observación para datos de dispositivos portátiles longitudinales agregando los subíndices i y j correspondientes a la observación \(i^{th}\) para el individuo \(j^{th}\) como se muestra a continuación:

La variable latente \(\theta _{ij}\) se expresa como resultado de un modelo de efectos mixtos como se muestra a continuación:

Al centrar los resultados y descartar el parámetro de intersección del resultado \(\gamma _h\), podemos combinar las varianzas de error de nivel dentro del individuo (es decir, \(\sigma _{ih}^2\) y \(\sigma _\ theta^2\)). El modelo resultante se representa de la siguiente manera:

El modelo empírico de Bayes que se muestra en la ecuación. (4) se puede utilizar para modelar la asociación sonido-bienestar. Las cargas factoriales, \(\lambda _h\), automáticamente asignan diferentes pesos a cada resultado (es decir, \(\lambda _1\) y \(\lambda _2\)). Alternativamente, se puede desarrollar un modelo de variable latente utilizando también el enfoque clásico (es decir, frecuentista), conocido como modelo de ecuación estructural jerárquica (SEM). Software como Mplus, LISREL, EQS, lavaan, OpenMx puede adaptarse a un SEM de dos niveles con intersecciones aleatorias59. En el modelo SEM de dos niveles, cada resultado \(y_{ijh}\) se divide en un componente interno y uno intermedio de la siguiente manera:

En la ecuación. (5), tanto los componentes de covarianza dentro como entre se tratan como variables latentes ortogonales y aditivas60. La estimación de máxima verosimilitud para los parámetros se obtiene minimizando el logaritmo de verosimilitud general, que es la suma de la verosimilitud de los datos de J grupos. El modelo de variable latente que usa el enfoque clásico ofrece menos flexibilidad que su contraparte bayesiana, ya que solicita más suposiciones relacionadas con los datos y su formulación básica no tiene en cuenta los efectos aleatorios60. En la siguiente subsección se incluyen explicaciones detalladas sobre el modelado multinivel utilizando el modelado estadístico clásico y el modelado bayesiano jerárquico.

Los niveles multinivel o jerárquicos de datos agrupados son un fenómeno común1. Por ejemplo, en los estudios organizacionales, la información sobre las empresas y los trabajadores está disponible de manera que existe una estructura jerárquica de datos de trabajadores individuales anidados dentro de múltiples empresas. Los modelos multinivel (también llamados modelos lineales jerárquicos, modelos de coeficientes aleatorios, modelos de efectos mixtos) son modelos estadísticos con parámetros que capturan la variabilidad en múltiples niveles de datos.

En el enfoque clásico o frecuentista, los modelos multinivel se pueden considerar como una extensión de un modelo de regresión de mínimos cuadrados ordinarios (OLS) utilizado para analizar la varianza en las variables de resultado cuando las variables predictoras se encuentran en diferentes niveles jerárquicos. Un modelo lineal jerárquico de dos niveles se puede expresar matemáticamente de la siguiente manera:

En la ecuación. (6), \(Y_{ij}\) es el resultado, \(\beta _{kj}\) son los coeficientes de nivel 1, \(V_{kij}\) son las variables de entrada de nivel 1, \( r_{ij}\) son residuos de nivel 1, \(\gamma _{km}\) son coeficientes de nivel 2, \(W_{mj}\) son variables de entrada de nivel 2 y \(u_{kj}\ ) son variables de nivel 2 para \(i^{th}\)observación de \(j^{th}\) individual para \(k \in {\Bbb Z}_K\) y \(m \in {\ Bbb Z}_M\). Los supuestos del modelo son los siguientes:

En la ecuación. (8), T es el componente de covarianza de la varianza de nivel 2 que modela la interrelación entre los errores de nivel 2. Combinando Ecs. (1) y (2), podemos representar modelos lineales jerárquicos de la siguiente manera:

En la ecuación. (9), \(\beta = \left\{ {\beta _0,\beta _1, \ldots ,\beta _K} \right\}\) son coeficientes de efectos fijos, \(\gamma = \left\{ { \gamma _{0j},\gamma _{1j}, \ldots,\gamma _{Mj}} \right\}\) son coeficientes de efectos aleatorios para J grupos \(j \in {\Bbb Z}_J\ ), y \({\it{\epsilon }}_{ij}\) es la suma de los componentes del error de efectos fijos y del error de efectos aleatorios. En notación matricial, la ecuación anterior se representa de la siguiente manera:

En la ecuación. (10), X es una matriz de efectos fijos y Z es una matriz de efectos aleatorios. Condicional a los supuestos anteriores, los parámetros en el modelo se pueden estimar maximizando la función de verosimilitud y como se muestra a continuación:

La importancia de los efectos fijos y los efectos aleatorios se prueba mediante la prueba de Wald, la prueba de la razón de verosimilitud, la prueba F, el bootstrap paramétrico o los métodos MCMC1. El ajuste del modelo se puede comparar utilizando aproximaciones AIC, desviación y R-cuadrado2.

Los bayesianos, por otro lado, describen sus creencias sobre lo desconocido en un modelo lineal jerárquico antes de observar datos con distribuciones previas y la siguiente función de probabilidad:

Una regresión de un solo nivel que no tiene en cuenta la heterogeneidad entre grupos se denomina modelo con agrupación completa y puede generar estimaciones de parámetros incorrectas si existe heterogeneidad entre grupos. Por otro lado, los modelos de regresión para cada grupo de datos de nivel 2 de forma independiente se denominan modelos sin agrupación y dan como resultado estimaciones de parámetros imprecisas, ya que ignoran la varianza común entre grupos. Los modelos lineales jerárquicos se consideran un subconjunto de los modelos bayesianos jerárquicos que son modelos con agrupación parcial3. Se permite que los parámetros varíen por grupo en los niveles más bajos de la jerarquía mientras se estiman parámetros comunes en los niveles más altos. Tenga en cuenta que los efectos de nivel 2 y superiores no forman parte de la varianza del error como en el enfoque clásico/frecuentista, sino que se modelan como parámetros en sí mismos (también llamados coeficientes variables). Los parámetros variables tienen hiperparámetros que se estiman en función de la agrupación de nivel 2 y de orden superior en los datos. La distribución posterior estimada de parámetros para un modelo lineal jerárquico con error distribuido normalmente y función de enlace de identidad tiene la siguiente forma:

Los enfoques de estimación de MCMC como las familias de métodos Metropolis Hastings, Gibbs Sampling y Hamiltonian Monte Carlo se utilizan para estimar la probabilidad posterior dada la distribución previa de todos los parámetros y la probabilidad de los datos dados16. La comparación de implementaciones y paquetes de software de propósito general para el modelado multinivel clásico y bayesiano se realiza en West y Galecki63, Mai y Zhang64, respectivamente.

Como se discutió anteriormente, las ideas sobre cómo y por qué los efectos difieren entre individuos pueden ser valiosas. Desarrollamos un método de dos pasos para encontrar variables a nivel de persona que expliquen la heterogeneidad en la asociación sonido-bienestar entre individuos. En el primer paso, ajustamos un modelo Bayes empírico con todas las variables de entrada con coeficientes de efectos aleatorios que tienen antecedentes normales con medias distintas de cero. Las variables a nivel de persona (p. ej., edad, IMC, sexo, etc.) no se incluyen en el modelo ya que su valor es constante para cada individuo (es decir, los coeficientes de efectos aleatorios para las variables a nivel de persona tienen una distribución con varianza cero). El modelo empírico de Bayes para el paso 1 se muestra a continuación:

Los valores medios \(\mu _{\gamma _0}\) y \(\mu _{\gamma _m}\) en la ecuación. (14) son análogas a la intercepción del modelo y los coeficientes de efectos fijos correspondientes de la variable \(m^{th}\) en el modelo bayesiano empírico que se muestra en la ecuación. (4). En el segundo paso, formulamos los coeficientes de efectos aleatorios del nivel de sonido como resultado de un modelo lineal con variables de nivel de persona como variables de entrada de la siguiente manera:

En la ecuación. (15), \({{{\mathrm{{\Gamma}}}}}_{{{\mathrm{r}}}} = \left\{ {\gamma _{r1},\gamma _{r2} }, \ldots,\gamma _{rJ}} \right\}\) son los coeficientes de efectos aleatorios para la entrada en el modelo empírico de Bayes del paso 1, \(\{ x_{1 \cdot },x_{2 \ cdot }, \ldots ,x_{P \cdot }\}\) son P variables a nivel de persona, y \({\it{\epsilon }}_j\) es un error residual normalmente distribuido que varía entre J individuos.

El problema de identificar los factores a nivel de persona que contribuyen a los efectos de heterogeneidad individual se presenta como un problema de selección de variables en nuestro modelo lineal. Los métodos tradicionales de selección de características por pasos para los modelos de regresión se enfrentan a desafíos como la sensibilidad a los cambios en los datos y la baja validez externa21. Estos desafíos son particularmente relevantes en nuestro problema, donde existen múltiples variables a nivel de persona que podrían ser factores que contribuyen a la heterogeneidad en los efectos de sonido sobre el bienestar entre individuos. Por lo tanto, elegimos tres métodos basados ​​en regularización, lazo, red elástica y lazo adaptativo21 para determinar las entradas significativas en el modelo lineal que se muestra en la ecuación. (15). El lazo utiliza una penalización de l-1 para reducir los coeficientes de entradas insignificantes a cero21. Los métodos de red elástica y lazo adaptativo son mejoras sobre el método de selección de características de lazo y tienen en cuenta las características correlacionadas y poseen propiedades oraculares. Los hiperparámetros para las funciones de penalización de estos modelos se determinan mediante un procedimiento de búsqueda en cuadrícula21. Los pesos adaptativos iniciales se establecen como inversos de los valores absolutos de los coeficientes de una regresión vainilla propuesta por Zou61. Las variables a nivel de persona que tienen coeficientes distintos de cero en los tres modelos regularizados se eligen como el conjunto final de factores que contribuyen a los efectos de heterogeneidad individual52.

La Figura 4 muestra una ilustración de nuestro marco de modelado explicativo general que consta de dos métodos novedosos para capturar asociaciones interpersonales y a nivel de población entre los niveles de sonido y el bienestar fisiológico.

Marco de modelado explicativo que consta de un modelo Bayes empírico y un método de modelado de heterogeneidad para identificar la asociación entre el bienestar del sonido a nivel de población e interpersonal.

Para validar la presencia del nivel de sonido óptimo para el bienestar fisiológico a 50 dBA y la influencia de la presión arterial y el trabajo que implica el uso intensivo de computadoras en la moderación de la relación sonido-bienestar, realizamos una comparación post-hoc del bienestar entre diferentes poblaciones estratificadas para tres niveles de sonido. condiciones: nivel sonoro inferior a 45 dBA, nivel sonoro entre 45 dBA y 55 dBA, y nivel sonoro superior a 55 dBA. La Tabla 6 muestra las comparaciones post-hoc de la puntuación media de bienestar ajustada por efectos aleatorios para los tres rangos de nivel de sonido para diferentes subpoblaciones en nuestros datos. En apoyo de nuestro hallazgo de que 50 dBA es un nivel de sonido óptimo en el lugar de trabajo, encontramos que el rango de nivel de sonido de 45 a 55 dBA tiene la puntuación media ajustada de bienestar más alta en toda la población, en comparación con los rangos de nivel de sonido alto y bajo. Sin embargo, para personas con presión arterial alta, el rango de nivel de sonido más bajo (es decir, nivel de sonido < = 45 dBA) es óptimo, que es diferente de las personas con presión arterial normal. Finalmente, las personas con trabajo intensivo en uso de computadoras tienen una puntuación media ajustada de bienestar más baja para rangos de niveles de sonido bajos y altos (es decir, nivel de sonido <=45 dBA y nivel de sonido >55 dBA), en comparación con personas con uso regular de computadoras en trabajar. En otras palabras, este grupo se beneficia más (que el individuo promedio) de (a) un aumento en el nivel de sonido en el rango más bajo y (b) una disminución en el nivel de sonido en el rango más alto. Estos hallazgos de comparación de grupos posteriores al análisis validan los hallazgos en función de nuestros métodos propuestos.

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de investigación de Nature vinculado a este artículo.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

El código utilizado para el análisis en este estudio está disponible del autor correspondiente a pedido razonable.

Escuela de Salud Pública de Harvard. El lugar de trabajo y la salud. (2016).

Heerwagen, J. & Zagreus, L. Los factores humanos del diseño de edificios sustentables: Evaluación posterior a la ocupación del Centro Ambiental Philip Merrill. Calidad Ambiental Interior (2005).

Daiber, A. et al. El ruido ambiental induce la liberación de hormonas del estrés y moléculas de señalización inflamatorias que conducen al estrés oxidativo y la disfunción vascular: firmas del exposoma interno. Biofactores. 45 Preimpresión en https://doi.org/10.1002/biof.1506 (2019).

OMS. Ruido. https://www.euro.who.int/en/health-topics/environment-and-health/noise (2021).

Hicks, JL y col. Las mejores prácticas para analizar datos de salud a gran escala de dispositivos portátiles y aplicaciones para teléfonos inteligentes. npj Digital Med. 2, (2019).

Loftus, ID y col. Algoritmos ideales en atención médica: explicables, dinámicos, precisos, autónomos, justos y reproducibles. PLOS Salud digital 1, e0000006 (2022).

Artículo Google Académico

GSA. Bien construido para el bienestar. https://www.gsa.gov/governmentwide-initiatives/federal-highperformance-green-buildings/resource-library/health/wellbuilt-for-wellbeing (2021).

Lindberg, CM et al. Efectos del tipo de estación de trabajo de oficina sobre la actividad física y el estrés. ocupar Reinar. Medicina. 75, 689–695 (2018).

Artículo Google Académico

Bozdogan, H. Selección de modelos y criterio de información de Akaike (AIC): la teoría general y sus extensiones analíticas. Psychometrik 52, 3450370 (1987).

Artículo Google Académico

Wood, SN Estimación estable y eficiente de parámetros de suavizado múltiple para modelos aditivos generalizados. Mermelada. Estadística Asoc. 99, 673–686 (2004).

Baldwin, SA, Imel, ZE, Braithwaite, SR y Atkins, DC Análisis de múltiples resultados en la investigación clínica utilizando modelos multivariados de varios niveles. J. Consulting Clin. psicol. 82, 920–930 (2014).

Artículo Google Académico

Brent, RP Algoritmos de minimización sin derivadas. (Publicaciones de Dover, 2013).

Soares-Miranda, L. et al. Actividad física y variabilidad de la frecuencia cardiaca en adultos mayores. Circulación 129, 2100–2110 (2014).

Artículo Google Académico

Tan, JPH, Beilharz, JE, Vollmer-Conna, U. y Cvejic, E. La variabilidad de la frecuencia cardíaca como marcador del envejecimiento saludable. En t. J. Cardiol. 275, 101–103 (2019).

Artículo Google Académico

Natarajan, A., Pantelopoulos, A., Emir-Farinas, H. & Natarajan, P. Variabilidad de la frecuencia cardíaca con fotopletismografía en 8 millones de individuos: un estudio transversal. The Lancet Digital Health 2, e650–e657 (2020).

Gelman, A. et al. Análisis Bayesiano de Datos. Análisis de datos bayesianos (CRC Press, 2014).

Carpintero, B. et al. Stan: Un lenguaje de programación probabilístico. Estado J. suave 76, 1–32 (2017).

Artículo Google Académico

Kline, RB Principios y práctica del modelado de ecuaciones estructurales. vol. 156 (Guilford, 2011).

Rosseel, Y. Lavaan: Un paquete R para el modelado de ecuaciones estructurales. Estado J. Suave. 48, 1–36 (2012).

Artículo Google Académico

Pinheiro, J., Bates, D., DebRoy, S. & Sarkar, D. nlme: Modelos de efectos mixtos lineales y no lineales. Versión preliminar del paquete R 3 en (2007).

Hastie, T., Tibshirani, R. & Friedman, J. Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción. (Primavera, 2009).

Gruber, M., de Leon, N., George, G. y Thompson, P. Administrar por diseño. Academia Administrar J. 58, 1–7 (2015).

Artículo Google Académico

Dahl, MS Cambio organizacional y estrés de los empleados. Administrar ciencia 57, 240–256 (2011).

Artículo Google Académico

Ryff, CD La felicidad lo es todo, ¿o no? Exploraciones sobre el significado del bienestar psicológico. J.Personal. Soc. psicol. 57, 1069–1081 (1989).

Artículo Google Académico

Boron, WF & Boulpaep, EL Fisiología Médica. (Elsevier, 2017).

Pitchforth, J., Nelson-White, E., van den Helder, M. & Oosting, W. El entorno de trabajo piloto: un experimento para determinar el diseño de oficina óptimo para una empresa de tecnología. PLoS ONE 15, e0232943 (2020).

Lee, Y., Nelson, EC, Flynn, MJ & Jackman, JS Exploración de opciones de paisajismo sonoro para el entorno cognitivo en una oficina de planta abierta. Acústica de edificios 27, 185–202 (2020).

Lee, PJ, Lee, BK, Jeon, JY, Zhang, M. & Kang, J. Impacto del ruido en la satisfacción laboral autoevaluada y la salud en oficinas de planta abierta: un enfoque de modelado de ecuaciones estructurales. Ergonomía 59, 222–234 (2016).

Artículo Google Académico

Jahncke, H., Hygge, S., Halin, N., Green, AM y Dimberg, K. Ruido de oficina de planta abierta: rendimiento cognitivo y restauración. J. Medio Ambiente. psicol. 31, 373–382 (2011).

Artículo Google Académico

Mehta, R., Zhu, R. & Cheema, A. ¿El ruido siempre es malo? explorando los efectos del ruido ambiental en la cognición creativa. J. Consum. Res. 39, 784–799 (2012).

Artículo Google Académico

OSHA. Exposición al ruido ocupacional. Administración de Salud y Seguridad Ocupacional https://www.osha.gov/noise (2021).

Walker, ED, Brammer, A., Cherniack, MG, Laden, F. y Cavallari, JM Respuestas cardiovasculares y de estrés a la exposición al ruido a corto plazo: un estudio de panel en hombres sanos. Reinar. Res. 150, 391–397 (2016).

Artículo CAS Google Académico

Cvijanović, N., Kechichian, P., Janse, K. & Kohlrausch, A. Efectos del ruido sobre la excitación en un entorno de comunicación verbal. Habla Comun. 88, 127–136 (2017).

Artículo Google Académico

Park, SH & Lee, PJ Efectos del ruido de impacto del suelo en las respuestas psicofisiológicas. Construir. Reinar. 116, 173–181 (2017).

Artículo Google Académico

Sim, CS et al. Los efectos de diferentes tipos de ruido en la variabilidad de la frecuencia cardíaca en los hombres. Yonsei Med. J. 56, 235–243 (2015).

Artículo Google Académico

Abbasi, AM, Motamedzade, M., Aliabadi, M., Golmohammadi, R. y Tapak, L. Estudio de los efectos fisiológicos y mentales causados ​​por la exposición a ruidos de baja frecuencia en una sala de control simulada. Acústica de edificios 25, 233–248 (2018).

Kraus, U. et al. Exposición individual al ruido durante el día durante las actividades rutinarias y la variabilidad de la frecuencia cardíaca en adultos: un estudio de medidas repetidas. Reinar. Perspectiva de Salud. 121, 607–612 (2013).

Artículo Google Académico

Srinivasan, K. et al. Un enfoque de regularización para identificar efectos acumulativos retrasados ​​en aplicaciones de Smart Health. En Actas de la 7.ª Conferencia Internacional sobre Salud Digital 99–103 (ACM Press, 2017).

Gadaleta, M. et al. Detección pasiva de COVID-19 con sensores portátiles y algoritmos de aprendizaje automático explicables. npj Digital Med. 2021 4:1 4, 1–10 (2021).

Google Académico

Verkuil, B., Brosschot, JF, Tollenaar, MS, Lane, RD & Thayer, JF Reducción prolongada de la variabilidad de la frecuencia cardíaca no metabólica como marcador fisiológico del estrés psicológico en la vida diaria. Ana. Comportamiento Medicina. 50, 704–714 (2016).

Artículo Google Académico

Xhyheri, B., Manfrini, O., Mazzolini, M., Pizzi, C. y Bugiardini, R. Variabilidad de la frecuencia cardíaca en la actualidad. prog. enfermedades cardiovasculares 55, 321–331 (2012).

Artículo Google Académico

Shaffer, F. & Ginsberg, JP Una descripción general de las métricas y normas de variabilidad de la frecuencia cardíaca. Frente. Salud Pública 5, 1–17 (2017).

Artículo Google Académico

Das, A., Poole, WK & Bada, HS Un enfoque de medidas repetidas para el modelado simultáneo de múltiples resultados neuroconductuales en recién nacidos expuestos a la cocaína en el útero. Soy. J. Epidemiol. 159, 891–899 (2004).

Artículo Google Académico

Pituch, KA & Stevens, JP Estadística Multivariada Aplicada para las Ciencias Sociales. (Routledge, 2016).

Ritz, C., Pilmann Laursen, R. & Trab Damsgaard, C. Inferencia simultánea para modelos mixtos lineales multinivel, con una aplicación a un estudio de comidas escolares a gran escala. Estado JR. Soc.: Ser. C. (Estatutos de aplicación) 66, 295–311 (2017).

Artículo Google Académico

Lin, Y.-K., Chen, H., Brown, RA, Li, S.-H. y Yang, H.-J. Análisis predictivo de atención médica para perfiles de riesgo en cuidados crónicos: un enfoque de aprendizaje multitarea bayesiano. MIS P. 41, 473–495 (2017).

Artículo Google Académico

Faraway, JJ Ampliación del modelo lineal con R: modelos de regresión lineal, de efectos mixtos y no paramétricos generalizados. (Prensa CRC, 2016).

Muthén, BO Más allá de SEM: Modelado general de variables latentes. Behaviormetrika 29, 81–117 (2002).

Artículo Google Académico

Kline, RB Supuestos en el modelado de ecuaciones estructurales. Manual de modelado de ecuaciones estructurales (Guilford, 2012).

Raudenbush, SW & Bryk, AS Modelos Lineales Jerárquicos: Aplicaciones y Métodos de Análisis de Datos. (Salvia, 2002).

Shmueli, G. ¿Explicar o predecir? Estadística ciencia 25, 289–310 (2010).

Artículo Google Académico

Malik, M. et al. Variabilidad de la frecuencia cardíaca: estándares de medición, interpretación fisiológica y uso clínico. EUR. Corazón J. 93, 1043–1065 (1996).

Google Académico

Pereira, T., Almeida, PR, Cunha, JPS & Aguiar, A. Métricas de variabilidad de la frecuencia cardíaca para la evaluación detallada del nivel de estrés. Prog. de métodos informáticos Biomedicina 148, 71–80 (2017).

Artículo Google Académico

Razjouyan, J. et al. Sensores portátiles y la evaluación de la fragilidad entre adultos mayores vulnerables: un estudio de cohorte observacional. Sensores 18, 1336 (2018).

Artículo Google Académico

Thayer, JF et al. Efectos del entorno de trabajo físico en las medidas fisiológicas de estrés. EUR. J. Cardiovascular Anterior. rehabilitación 17, 431–439 (2010).

Artículo Google Académico

MacNaughton, P. et al. Percepciones ambientales y salud antes y después de la reubicación en un edificio verde. Construir. Reinar. 104, 138–144 (2016).

Artículo Google Académico

Richards, DM et al. Índice de descompensación derivado del sensor portátil para el monitoreo remoto continuo de pacientes diagnosticados con COVID-19. npj Dig. Medicina. 4, 155 (2021).

Merkle, EC & Wang, T. Modelos de variables latentes bayesianas para el análisis de datos de psicología experimental. Toro psiconómico. Rev. 25, 256–270 (2018).

Artículo Google Académico

Skrondal, A. & Rabe-Hesketh, S. Modelado de variables latentes generalizadas: modelos de ecuaciones estructurales, longitudinales y multinivel. (Prensa CRC, 2004).

Heck, RH & Thomas, SL Introducción a las técnicas de modelado multinivel: enfoques MLM y SEM utilizando Mplus. (Routledge, 2015).

Zou, H. El lazo adaptativo y sus propiedades oraculares. Mermelada. Estadística Asoc. 101, 1418–1429 (2006).

Artículo CAS Google Académico

Searle, SR, Speed, FM & Milliken, GA Medias marginales de población en el modelo lineal: una alternativa a las medias de mínimos cuadrados. Soy. Estadística 34, 216–221 (1980).

West, BT & Galecki, AT Una descripción general de los procedimientos de software actuales para ajustar modelos mixtos lineales. Am Stat 65, 274–282 (2011).

Artículo Google Académico

Mai, Y. & Zhang, Z. Paquetes de software para modelado multinivel bayesiano. Struct Equ Modeling 25, 650–658 (2018).

Artículo Google Académico

Descargar referencias

Este estudio fue financiado por un contrato de la Administración de Servicios Generales de los Estados Unidos # GS-00-H-14-AA-C-0094.

Escuela de Negocios, Universidad de Kansas, Lawrence, KS, EE. UU.

Karthik Srinivasan

Departamento de Sistemas de Información Gerencial, Eller College of Management, Universidad de Arizona, Tucson, AZ, EE. UU.

faiz currim y sudha ram

HKS Inc, Denver, CO, EE. UU.

casey m lindberg

Instituto sobre Lugar, Bienestar y Desempeño, Universidad de Arizona, Tucson, AZ, EE. UU.

Casey M. Lindberg y Esther M. Sternberg

Centro de Innovaciones en Calidad, Eficacia y Seguridad (IQuESt), Baylor College of Medicine, Houston, TX, EE. UU.

Javad Razjouyán

Departamento de Medicina, Baylor College of Medicine, Houston, EE. UU.

Javad Razjouyán

Programa de Mejora de la Capacitación de Científicos de Big Data, Oficina de Investigación y Desarrollo de VA, Washington, Distrito de Columbia, EE. UU.

Javad Razjouyán

Oficina Federal de Edificios Verdes de Alto Rendimiento, Administración de Servicios Generales de EE. UU., Washington, DC, EE. UU.

Brian Gilligan, Kelly J. Canadá, Judith Heerwagen y Kevin Kampschroer

Best Buy, Boston, MA, EE. UU.

hyoki lee

Aclima, Inc, San Francisco, CA, USA

Nicole Goebel y Melissa M. Lunden

Departamento de Psicología, Universidad de Arizona, Tucson, AZ, EE. UU.

Mateo R. Mehl

Center to Stream HealthCare in Place (C2SHIP), Departamento de Cirugía Michael E. DeBakey, Baylor College of Medicine, Houston, TX, EE. UU.

Bijan Nayafi

Centro Andrew Weil de Medicina Integral, Universidad de Arizona, Tucson, EE. UU.

Esther M Sternberg

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

KS desarrolló el modelo empírico de Bayes y el método de modelado de heterogeneidad y realizó análisis de datos. FC y SR asesoraron sobre el desarrollo del modelo empírico de Bayes y el método de modelado de heterogeneidad, y la presentación de los resultados del análisis. JR, HL y BJ consolidaron los datos de actividad física y cardiaca. Datos de sensores ambientales consolidados NG y MML. SR, CML, BG, MRM, JH, EMS y KK concibieron y diseñaron el estudio. KS, FC y SR, redactó el manuscrito. Todos los autores contribuyeron a la interpretación de los resultados. Todos los autores han leido y aprobado el manuscrito.

Correspondencia a Karthik Srinivasan.

NG y MML no declaran intereses no financieros en competencia, pero sí los siguientes intereses financieros en competencia: NG y MML son empleados de Aclima Inc., una organización comercial. Todos los demás autores declaran no tener intereses en competencia.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Srinivasan, K., Currim, F., Lindberg, CM et al. Descubrimiento de patrones asociativos entre el nivel de sonido en el lugar de trabajo y el bienestar fisiológico utilizando dispositivos portátiles y modelos empíricos de Bayes. npj Dígito. Medicina. 6, 5 (2023). https://doi.org/10.1038/s41746-022-00727-1

Descargar cita

Recibido: 22 febrero 2022

Aceptado: 29 de noviembre de 2022

Publicado: 13 enero 2023

DOI: https://doi.org/10.1038/s41746-022-00727-1

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

npj Medicina digital (2023)