Een risicoscore kan scherp rekenen. Maar weet nog niet waar hij naar kijkt.
Dit denken we te zien
Stel: een organisatie kan met bestaande data voorspellen welke medewerkers een verhoogde kans hebben op langdurig verzuim. Dat klinkt als vroegsignalering in haar zuiverste vorm: eerder zien, eerder ondersteunen, gerichter handelen. De verleiding is groot om zo’n score als voorsprong te behandelen. Het systeem ziet immers iets wat de leidinggevende of HR-professional nog niet ziet. Maar wat weten we eigenlijk zodra iemand als verhoogd risico uit het model komt?
Dit laat het onderzoek zien
Een Finse studie gebruikte gegevens van 11.533 medewerkers uit verschillende beroepen. De onderzoekers koppelden vragenlijsten uit gezondheidsonderzoeken aan registraties over zorggebruik en verzuim. Met verklaarbare machinelearning probeerden zij te voorspellen wie in de twee jaar daarna minstens één verzuimperiode van dertig dagen of langer zou hebben.
Het gecombineerde model behaalde een AUROC van 0,79. Dat betekent dat het redelijk onderscheid kon maken tussen medewerkers met en zonder later langdurig verzuim. Eerder verzuim en zorggebruik bleken belangrijke voorspellers. Daarnaast kwamen onder meer pijn, het aantal klachten en aandoeningen, BMI, korte slaapduur en kenmerken van werk en mentale gezondheid naar voren.
De waarde daarvan is reëel: risico op langdurige uitval blijkt niet in één variabele te zitten, maar in een combinatie van signalen die over verschillende databronnen verspreid zijn.
Maar kijk nog eens
Bij de gekozen grenswaarde was de negatieve voorspellende waarde 97,2 procent. De positieve voorspellende waarde was 14,5 procent. Van honderd medewerkers die als verhoogd risico werden aangemerkt, kregen er dus ongeveer vijftien daadwerkelijk langdurig verzuim. De kanteling zit precies daar: een risicoscore vertelt niet wie gaat uitvallen. Hij vertelt alleen waar de kans groter is. Dat is iets wezenlijk anders.
Dat maakt het model niet waardeloos. Het verandert wel wat je ermee mag doen. De uitkomst is geen vooraankondiging van uitval, maar een aanleiding om preciezer te kijken. Zodra een organisatie de score behandelt als kennis over een individu, gaat de voorspelling zelf gedrag kleuren. Een mindere week bevestigt ineens het beeld. Een gemiste deadline wordt een signaal. Een loopbaangesprek krijgt een andere lading.
En juist de opvallendste voorspellers vragen om context. Korte slaap kan samenhangen met zorgtaken, ploegendienst, financiële zorgen, pijn of een tijdelijke levensfase. Weinig invloed op het werk kan voortkomen uit functie-inrichting, leiderschap of een reorganisatie. Ervaren onrechtvaardigheid van een leidinggevende kan iets zeggen over de relatie of over de organisatie, niet alleen over de medewerker.
Wat raakt hierdoor buiten beeld?
Het model kan samenhang herkennen, maar niet reconstrueren hoe die is ontstaan. Het ziet niet automatisch welk gesprek niet werd gevoerd, waar verantwoordelijkheden zijn gaan schuiven of welk patroon in een team dezelfde belasting bij meerdere mensen veroorzaakt.
Daarmee ligt de echte keuze bij de organisatie. Gebruik je AI om medewerkers op risico te rangschikken? Of gebruik je de uitkomst als hypothese over de wisselwerking tussen mens, werk, team en organisatie? In het eerste geval wordt de medewerker object van de voorspelling. In het tweede geval blijft professionele nieuwsgierigheid intact.
Voor TCC begint vroegsignalering dus niet bij sneller ingrijpen, maar bij beter onderzoeken. AI kan sneller zien dát bepaalde gegevens vaker samengaan met langdurige uitval. De professionele opgave begint daarna: vaststellen wat hier werkelijk aan de hand is, zonder de voorspelling alvast voor waar aan te nemen.
Welke vraag moeten we ons dan stellen?
Wat gebeurt er met een medewerker zodra ons systeem denkt te weten dat hij gaat uitvallen?
Hoe kijken we maandag anders?
Pak één dashboard, risicomodel of leveranciersvoorstel waarin medewerkers een kleur, score of risicoklasse krijgen. Kies één hoge score en stel handelen nog even uit. Schrijf eerst op welke concrete gegevens de score dragen, welke verklaringen daarvoor mogelijk zijn en welke informatie volledig ontbreekt.
Vraag daarna: wijst dit naar deze medewerker, naar het werk waarin deze medewerker zit, of naar iets wat we nog niet hebben onderzocht? De opdracht is niet om de score te ontkennen. De opdracht is om te voorkomen dat een waarschijnlijkheid ongemerkt een oordeel wordt.
Kijk nog eens
Nieuw onderzoek. Een ongemakkelijke observatie. Een vraag die je blik op verzuim verandert.
Bron: Anttila et al. Identifying risk factors of long sickness absences: a registry-based study using explainable AI methods.
Het onderzoek is retrospectief en gebruikt gegevens van één Finse arbodienstverlener. Het model voorspelt risico; het bewijst niet dat handelen op de score langdurig verzuim voorkomt.
