Découverte de modèles associatifs entre le niveau sonore au travail et le bien-être physiologique à l'aide d'appareils portables et d'une modélisation bayésienne empirique

Jun 23, 2023

npj Digital Medicine volume 6, Numéro d'article : 5 (2023) Citer cet article

2544 accès

1 Citations

151 Altmétrique

Détails des métriques

Nous avons mené une étude sur le terrain à l'aide de plusieurs appareils portables sur 231 employés de bureau fédéraux pour évaluer l'impact de l'environnement intérieur sur le bien-être individuel. Des recherches antérieures ont établi que l'environnement de travail est étroitement lié au bien-être d'un individu. Étant donné que le son est le facteur environnemental le plus signalé causant du stress et de l'inconfort, nous nous concentrons sur la quantification de son association avec le bien-être physiologique. Le bien-être physiologique est représenté comme une variable latente dans un modèle empirique de Bayes avec des mesures de variabilité de la fréquence cardiaque - SDNN et HF normalisé comme résultats observés et avec des facteurs exogènes, y compris le niveau sonore comme entrées. Nous constatons que le bien-être physiologique d'un individu est optimal lorsque le niveau sonore au travail est de 50 dBA. À des plages d'amplitude inférieures (<50 dBA) et supérieures (> 50 dBA), une augmentation de 10 dBA du niveau sonore est associée à une augmentation de 5,4 % et à une diminution de 1,9 % du bien-être physiologique, respectivement. L'âge, l'indice de masse corporelle, l'hypertension artérielle, l'anxiété et l'utilisation intensive de l'ordinateur sont des facteurs au niveau de la personne qui contribuent à l'hétérogénéité de l'association son-bien-être.

Le bien-être est la capacité du corps humain à faire face au stress quotidien. En moyenne, quatre employés sur dix dans les organisations aux États-Unis trouvent leur travail et leur lieu de travail stressants et qu'ils affectent négativement leur santé1. Des études antérieures ont montré que l'environnement de travail est étroitement lié aux marqueurs de bien-être d'un employé de bureau, notamment l'état mental, la productivité, le stress et la longévité2. Parmi les facteurs de stress environnementaux, le niveau sonore est considéré comme un contributeur important à une variété d'effets néfastes sur la santé3. L'Organisation mondiale de la santé (OMS) a identifié le niveau sonore ou le bruit élevé comme la deuxième cause environnementale de problèmes de santé après la qualité de l'air, entraînant de graves effets sur la santé, notamment le stress, les maladies coronariennes, les accidents vasculaires cérébraux et les troubles de la communication, du repos et du sommeil4. Alors que les recherches antérieures se sont concentrées sur les environnements industriels et le bruit environnemental (par exemple, les avions et la circulation), la recherche sur l'effet de niveaux sonores plus modérés sur le lieu de travail sur notre bien-être a fait défaut en raison de défis technologiques et de conception d'études5. Nous menons une expérience naturelle à grande échelle dans un environnement de bureau réel en utilisant plusieurs appareils portables et développons des méthodes explicables6 pour modéliser méticuleusement l'association son-bien-être. En obtenant des informations sur l'association entre le niveau sonore sur le lieu de travail et le bien-être physiologique, les organisations peuvent apporter des changements de politique éclairés qui ont un impact sur la longévité, le moral et la productivité de leurs travailleurs.

Notre présente étude portant sur l'association son-bien-être fait partie du programme Wellbuilt-for-Wellbeing (WB2) de la General Services Administration (GSA) des États-Unis, une collaboration de recherche interdisciplinaire7 visant à évaluer l'impact de l'environnement de travail sur le bien-être des personnes blanches. cols employés de bureau. Les participants à l'étude ont porté deux capteurs pendant trois jours lors de leurs activités quotidiennes, un moniteur d'activité cardiaque et physique et un appareil basé sur des capteurs de qualité de l'environnement personnel. L'analyse préliminaire des données à l'aide de modèles de régression à effets mixtes montre une association curviligne significative entre le niveau sonore et deux mesures de la variabilité de la fréquence cardiaque (HRV) - SDNN et HF normalisée. Nous développons un modèle empirique de Bayes pour caractériser le bien-être physiologique en fonction du SDNN et du HF normalisé et pour quantifier sa relation fonctionnelle avec le niveau sonore et d'autres prédicteurs. Ensuite, nous analysons l'hétérogénéité de l'effet du niveau sonore entre les participants à l'étude en utilisant une méthode basée sur la régularisation. Nous utilisons l'évaluation de la puissance prédictive pour comparer nos méthodes à d'autres méthodes applicables pour relever les défis de modélisation consistant à analyser plusieurs résultats simultanément et à capturer l'hétérogénéité des effets. Nous montrons que nos méthodes proposées ont de meilleures performances prédictives que les méthodes existantes et sont essentielles à la découverte de modèles associatifs entre le niveau sonore au travail et le bien-être physiologique. Notre étude peut éclairer les politiques affectant le bien-être des employés de bureau dans le monde entier et contribue à la littérature sur les méthodes explicables d'analyse des données sur les appareils portables.

Au total, 248 employés de bureau ont exprimé leur intérêt à participer à notre étude, ce qui représente environ 12 % de la main-d'œuvre située dans les zones des immeubles de bureaux où le recrutement a eu lieu. Les femmes enceintes et celles portant un stimulateur cardiaque ou une pompe à insuline ont été exclues. Les participants prenant des médicaments connus pour affecter l'activité cardiaque ont été notés mais pas exclus. En raison de problèmes d'horaire, de maladie et de critères d'exclusion, 17 employés de bureau n'ont pas participé, ce qui a entraîné un total d'inscriptions de 231 participants. En raison de changements inattendus dans les horaires de travail, 8 des 231 participants n'ont été observés que pendant deux jours, au lieu des trois jours complets. L'âge moyen des participants était de 44,15 ans (écart-type = 12,22), 49,78 % de femmes, avec un indice de masse corporelle (IMC) moyen de 27,60 (écart-type = 6,10).

Les données ont été recueillies auprès des participants à l'aide d'une enquête d'admission, d'un dispositif de détection d'environnement porté au cou, d'un moniteur d'activité physique et cardiaque porté sur la poitrine et d'enquêtes mobiles d'échantillonnage d'expérience enregistrées toutes les deux heures pendant que les participants se trouvaient dans les locaux du bureau. Après le prétraitement, notre ensemble de données contenait 31 557 observations agrégées à des intervalles de cinq minutes et traitait environ 200 000 min de flux de données portables provenant des 231 participants. De plus amples informations sur les données et les variables sont disponibles sur le site Web du programme WB27 et dans une étude précédente8.

Nous avons formé deux modèles de régression multiniveaux indépendants sur nos données avec SDNN et HF normalisé comme résultats respectifs. Le niveau sonore a été inclus comme effet fixe ainsi que comme effet aléatoire dans les modèles. Nous avons constaté que l'effet fixe du niveau sonore au travail était significatif, tant au premier qu'au second ordre, dans les deux modèles, c'est-à-dire \(\beta _{Sound,SDNN} = 0,1038\) (p < 0,0001, 95 % IC = 0,0448–0,1627, d de Cohen = 0,23), \(\beta _{Sound^2,SDNN} = - 0,0075\) (p < 0,0001, IC à 95 % = −0,0096–−0,0054, d de Cohen = 0,45), \(\beta _{Sound,normalized - HF} = - 0,0979\) (p < 0,0001, IC à 95 % = −0,1216 à −0,0742, Cohen's d = 0,53) et \(\beta _{Sound^2,normalized - HF} = 0,0013\) (p = 0,015, IC à 95 % = 0,0003–0,0023, d de Cohen = 0,17). De plus, la qualité d'ajustement mesurée par les critères d'information d'Akaike (AIC)9 pour les modèles curvilignes était meilleure que les modèles correspondants avec uniquement des effets linéaires du niveau sonore. Cela montre que le niveau sonore a un effet curviligne significatif sur les deux mesures de bien-être physiologique. Deuxièmement, nous avons également constaté que l'inclusion du niveau sonore en tant qu'effet aléatoire améliore la qualité de l'ajustement des modèles, ce qui implique que l'association entre le niveau sonore et le bien-être physiologique varie d'un individu à l'autre.

L'association curviligne peut être davantage visualisée par une fonction lisse du niveau sonore en tant qu'entrée non paramétrique dans un modèle mixte additif généralisé (GAMM)10 avec comme résultat une transformation univariée11 de SDNN et de HF normalisé. La figure 1 montre la fonction lisse de GAMM pour l'association son-bien-être ayant un extremum autour de 50 dBA. L'estimation ponctuelle de 50 dBA comme niveau sonore optimal a été vérifiée à l'aide d'une procédure d'optimisation12.

La ligne pleine indique comment le bien-être physiologique varie en fonction du niveau sonore, tandis que les lignes pointillées sont des intervalles de confiance.

Nous avons utilisé un modèle bayésien hiérarchique empirique pour modéliser simultanément l'association du niveau sonore avec les mesures de VRC - SDNN et HF normalisé, qui sont des indicateurs courants du bien-être physiologique13,14,15. Dans le modèle, des effets fixes ont été introduits pour les entrées : niveau sonore, niveau d'activité physique, heure de la journée, jour de la semaine, groupe d'âge, groupe d'IMC et sexe. Des effets aléatoires ont été introduits pour le niveau sonore et l'activité physique. Nous avons standardisé l'entrée (niveau sonore) et les résultats (SDNN et HF normalisé) pour éliminer la sensibilité et les défis de la convergence de l'estimation a posteriori en raison des différences d'échelle dans les unités. Les variances d'erreur ont été affectées d'un a priori diffus demi-Cauchy, et tous les autres hyperparamètres ont reçu un a priori diffus Normal16. L'algorithme hamiltonien de Monte Carlo a été utilisé pour échantillonner quatre chaînes parallèles17. Le seuil statistique R-hat <1,1 et le contrôle de divergence zéro ont été utilisés comme tests de validation pour les estimations postérieures des paramètres et l'évaluation de la qualité de l'ajustement17.

Les estimations de la distribution postérieure moyenne et les intervalles crédibles à 90 % (entre le 5e et le 95e centile de la distribution postérieure) des coefficients des effets fixes du modèle empirique de Bayes sont présentés dans le tableau 1. Les estimations postérieures des effets fixes indiquent une association significative entre niveau sonore, heure de la journée, jour de la semaine, niveau d'activité physique, âge, IMC et bien-être physiologique au travail.

L'effet fixe du niveau sonore dans le modèle empirique de Bayes représente l'association son-bien-être sur l'ensemble de la population étudiée après prise en compte de l'hétérogénéité individuelle en tant que coefficients d'effets aléatoires. Le coefficient de niveau sonore indique un changement du bien-être physiologique par un écart type (SD) lié à un changement d'écart type unitaire (SD) du niveau sonore, car les entrées et les résultats sont standardisés. Sachant que l'écart-type du niveau sonore dans l'ensemble de données est de 8,79 dBA et que les coefficients du tableau 1 sont normalisés, nous pouvons calculer les estimations de coefficients non normalisés pour faire les inférences suivantes. Pour des amplitudes sonores inférieures à 50 dBA, une augmentation de 10 dBA du niveau sonore est liée à une augmentation de 5,4 % (IC de 0,95 % = 2,2 à 7,4 %, d de Cohen = 0,11) du bien-être physiologique. Pour des amplitudes sonores supérieures à 50 dBA, une augmentation de 10 dBA du niveau sonore est liée à une diminution du bien-être physiologique de 1,9 % (IC de 0,95 % = 0,5 à 3,8 %, d de Cohen = 0,09).

Nous avons comparé les performances prédictives du modèle empirique de Bayes avec les trois méthodes alternatives suivantes qui peuvent être utilisées pour modéliser simultanément deux résultats : (i) une méthode de transformation univariée classique11, (ii) une méthode de transformation univariée entraînée à l'aide d'une approche bayésienne, et ( iii) une méthode classique de modélisation par équations structurelles multiniveaux18. Les modèles utilisant l'approche classique sont entraînés à l'aide des packages R lavaan19 et nlme20 dans un PC de 16 Go de RAM et d'un processeur de 2,7 GHz, tandis que le modèle empirique de Bayes a été écrit et exécuté à l'aide du programme Stan via l'interface RStan17, dans un cluster informatique haute performance avec 28 nœuds (192 Go de RAM par nœud, processeurs Intel Haswell v3 28 cœurs). Les prédictions des modèles pour SDNN et HF normalisé sont comparées aux valeurs mesurées (réelles) des deux mesures pour calculer l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE)21 (tableau 2). Le tableau 2 montre que le modèle formé à l'aide du modèle empirique de Bayes a le RMSE et le MAPE les plus bas, ce qui indique que notre méthode est supérieure aux autres méthodes de modélisation simultanée de SDNN et de HF normalisé.

De plus, nous avons comparé les performances prédictives de notre modèle bayésien avec cinq modèles d'apprentissage automatique populaires - Neural Network (NN), Classification And Regression Trees (CART) et Multivariate Adaptive Regression Splines (MARS), Random Forest (RF) et Gradient Boosting Machine. (GBM)21. Nous avons entraîné ces modèles sur des données d'entraînement avec et sans niveau sonore comme variable d'entrée pour évaluer si le niveau sonore est un bon prédicteur de SDNN et de HF normalisé. Les résultats (tableau 3) montrent que notre modèle surpasse NN, CART, MARS, et ses performances sont comparables aux méthodes d'apprentissage d'ensemble RF et GBM. À l'exception de NN et CART, les performances de tous les autres modèles s'améliorent lorsque le niveau sonore est inclus comme entrée. Cela montre que le niveau sonore est prédictif des mesures de bien-être physiologique.

L'hétérogénéité de l'association son-bien-être entre les individus est expliquée par les coefficients d'effets aléatoires des entrées de niveau sonore dans le modèle empirique de Bayes. La figure 2 montre une visualisation en chenille des estimations a posteriori des effets aléatoires du niveau sonore et de leur intervalle de crédibilité à 60 % (probabilité que l'échantillon de la distribution a posteriori tombe dans une plage donnée) dans le modèle empirique de Bayes. Les lignes verticales montrent les coefficients d'effets fixes correspondants du niveau sonore. La propagation des valeurs moyennes des estimations postérieures des effets aléatoires indique une hétérogénéité substantielle dans l'association son-bien-être entre les participants à l'étude.

La ligne pointillée verticale est le coefficient d'effet fixe tandis que les lignes bleues horizontales indiquent les effets aléatoires du niveau sonore sur le bien-être physiologique des participants. a Diagramme de Caterpillar pour le niveau sonore <50 dBA, et b le diagramme pour le niveau sonore >=50 dBA.

Nous avons développé une méthode de sélection de caractéristiques basée sur la régularisation pour identifier les variables au niveau de la personne contribuant à l'hétérogénéité. Les variables au niveau de la personne saisies dans le modèle étaient le névrosisme, la sensibilité au bruit, l'âge, l'IMC, la présence d'hypertension artérielle (TA), l'anxiété, les problèmes de sommeil, le type de travail intensif d'utilisation d'ordinateurs (CUI), le travail de gestion, le travail intensif en réunion, le travail technique. travail et une exposition sonore moyenne. Toutes les variables au niveau de la personne, à l'exception de l'âge, de l'IMC et de l'exposition sonore moyenne, étaient basées sur un sondage rempli par les participants au début de l'étude.

Nous avons considéré deux sous-ensembles de données, l'un avec des niveaux sonores <50 dBA (niveaux sonores faibles) et l'autre avec des niveaux sonores ≥50 dBA (niveaux sonores élevés), pour ajuster deux ensembles de modèles indépendants. En ajustant deux ensembles de modèles indépendants, nous avons pu faire des inférences indépendantes sur les effets d'hétérogénéité individuels pour chaque scénario. Les coefficients des modèles de sélection de caractéristiques régularisés sont présentés dans le tableau 4.

Le tableau 4 montre que l'âge, l'IMC, la tension artérielle élevée, l'anxiété et le type de travail CUI sont des facteurs contribuant à la variabilité interpersonnelle de l'association son-bien-être. Les cellules vides montrent que les coefficients des variables correspondantes ont été réduits à zéro par la méthode de sélection des caractéristiques correspondantes (c'est-à-dire, lasso, lasso adaptatif, elasticnet). Pour toutes les variables au niveau de la personne non répertoriées dans le tableau 4, les trois méthodes de sélection des caractéristiques ont réduit les coefficients correspondants à zéro.

Pour évaluer les performances de notre méthode, nous avons comparé les performances prédictives du modèle empirique de Bayes avec trois ensembles de variables d'entrée : (i) des entrées n'incluant aucune variable au niveau de la personne en tant que modérateurs, (ii) des entrées incluant toutes les variables au niveau de la personne en tant que modérateurs. , et (iii) des entrées comprenant des variables au niveau de la personne identifiées par la méthode de modélisation à coefficients variables comme modérateurs. Les modérateurs ont été inclus en tant qu'interactions bidirectionnelles avec effet fixe du niveau sonore. Le tableau 5 montre les erreurs de prédiction des trois modèles par rapport au SDNN et au HF normalisé. Le modèle avec des variables spécifiques au niveau de la personne identifiées à l'aide de notre méthode basée sur la régularisation a les valeurs RMSE et MAPE les plus petites (meilleures).

Une pression artérielle élevée et un type de travail intensif en informatique (CUI) étaient les facteurs au niveau de la personne qui contribuaient le plus à l'hétérogénéité de l'association son-bien-être. Les figures 3 (a), (b) sont des graphiques montrant le changement de résultat dû aux effets d'interaction des variables de type de travail BP élevée et CUI avec l'effet fixe du niveau sonore dans le modèle. La figure 3 (a) montre que les employés de bureau souffrant d'hypertension artérielle sont plus négativement affectés que les participants ayant une pression artérielle normale. La figure 3 (b) montre que les employés de bureau impliqués dans le travail CUI ont des effets positifs plus élevés des niveaux sonores sur le bien-être physiologique à des amplitudes inférieures à 50 dBA, mais ils ont des effets négatifs plus élevés des niveaux sonores sur le bien-être physiologique à des amplitudes supérieures à 50 dBA par rapport à autres employés de bureau.

a Ligne continue verte : tension artérielle normale. Ligne pointillée rouge : hypertension artérielle. b Ligne continue verte : travail intensif d'utilisation de l'ordinateur. Ligne rouge en pointillé : pas d'utilisation intensive de l'ordinateur.

Les lieux de travail peuvent être conçus pour susciter des émotions positives, stimuler la créativité et la collaboration et intensifier l'engagement22. D'autre part, des environnements de travail inadaptés peuvent causer du stress et des problèmes de santé aux employés23. Le bien-être psychologique consiste en des relations positives avec les autres, la maîtrise personnelle, l'autonomie, le sentiment d'avoir un but et un sens à la vie, ainsi que la croissance et le développement personnels24. D'autre part, le bien-être physiologique est associé à un équilibre dynamique et en constante évolution du système physiologique humain, conditionné par des demandes momentanées25.

Les sources de sons dans les bureaux comprennent les conversations d'autres personnes, les appels téléphoniques et l'équipement mécanique. La perception favorable d'un lieu de travail par les travailleurs est étroitement liée à l'exposition au niveau sonore ambiant26,27,28. Par conséquent, le niveau sonore est un facteur environnemental important sur le lieu de travail qui pourrait avoir un impact sur la santé et le bien-être des employés29. Il a été démontré que l'amplitude du son affecte non seulement l'humeur et la productivité, mais également l'état de bien-être physiologique29. Par exemple, des niveaux sonores proches de 70 dBA ont été observés comme optimaux pour la cognition créative30, tandis que des niveaux supérieurs à 85 dBA semblaient préjudiciables à la santé31. En termes d'association entre le son et le bien-être, certaines études ont révélé une relation négative entre les niveaux sonores élevés (c'est-à-dire le bruit) et les mesures de bien-être physiologique32, tandis que d'autres études ont rapporté des résultats non concluants29,33. Il a également été démontré que les sources et les types de bruit n'ont pas d'effet significatif sur le bien-être physiologique34,35. En outre, l'effet du niveau sonore sur les résultats physiologiques, s'il est présent, s'est avéré cohérent pour les fréquences sonores basses et élevées32,36. La nature de la relation son-bien-être a également été observée comme étant non monotone37 et instantanée38. Un tableau résumant les études sur l'association son-bien-être a été fourni dans le tableau supplémentaire 1. Les études existantes analysant l'association son-bien-être souffrent de trois limitations majeures. Premièrement, la majorité des études réalisées dans le passé utilisaient des expériences avec un ensemble limité de traitements, des échantillons de petite taille et un nombre limité de variables de contrôle29,33,35,36. Par conséquent, les résultats de ces études ne peuvent pas être facilement généralisés aux lieux de travail réels de bureau. Deuxièmement, les études rapportent les résultats de plusieurs modèles correspondant à différentes mesures du bien-être physiologique33,34,35, ce qui rend difficile la généralisation des idées et la prise de mesures. Troisièmement, l'association son-bien-être n'a pas été précisément quantifiée à l'aide d'un modèle37. Notre présente étude vise à remédier à ces limitations en menant une expérience naturelle à grande échelle dans un environnement de bureau utilisant des appareils portables et en développant un ensemble de méthodes statistiques pour modéliser l'association son-bien-être.

La VRC est la variabilité entre les battements cardiaques et est considérée comme une mesure indirecte du bien-être physiologique d'une personne, c'est-à-dire que plus la variabilité est élevée, plus le bien-être est élevé15,39. Il s'agit d'une mesure relativement moins intrusive et plus fiable que l'enregistrement d'autres signaux physiologiques de bien-être tels que le cortisol salivaire et la conductance cutanée40. Bien qu'il existe de nombreuses mesures de la VRC, chacune sert d'objectif légèrement différent pour visualiser la réponse physiologique du corps au stress41. La moyenne de l'écart type pour tous les intervalles RR successifs (SDNN) est un indice global de la VRC et reflète les différences de circulation à plus long terme ou l'activité globale dans le système nerveux autonome (ANS)42. La composante haute fréquence normalisée (HF normalisée) de la VRC est le rapport entre la valeur absolue de la haute fréquence et la différence entre les bandes de puissance totale et de très basse fréquence dans le spectre de puissance du domaine fréquentiel de la fréquence cardiaque qui accentue les changements dans le système nerveux parasympathique (PNS)42. Le SDNN et le HF normalisé sont respectivement des indicateurs de stress temporel et de modulation vagale/parasympathique, et des valeurs élevées de SDNN et de HF normalisé se sont toujours avérées indiquer une meilleure santé et un meilleur bien-être13,14,15. Puisqu'il n'y a pas de mesure unifiée unique du bien-être physiologique identifiée dans la littérature antérieure15,39,40,41, nous adoptons une approche empirique en définissant le bien-être physiologique comme une variable latente (c'est-à-dire cachée) (θ) dans un modèle bayésien, qui capture le variations simultanées du SDNN et du HF normalisé. D'autres mesures de la VRC telles que RMSSD, SDRR, HF, LF, LF normalisé, LF/HF, diagrammes de Poincaré39 ont été examinées mais n'ont pas été considérées comme des résultats car leur variance était soit faible dans nos données, soit leur inclusion n'a pas amélioré de manière significative la qualité de ajustement de notre modèle.

Les études existantes sur la santé numérique analysant plusieurs résultats correspondent à un modèle indépendant pour chaque résultat et rapportent les coefficients pour chacun des modèles séparément33,34,35,37. L'interprétation et la communication des résultats de plusieurs modèles pour la prise de décision peuvent être difficiles. Un modèle statistique avec un ensemble unique de coefficients pour plusieurs résultats, connu sous le nom de modélisation simultanée, convient à cette fin11,43,44. La modélisation simultanée diffère de la modélisation multivariée, où les coefficients sont estimés pour chaque résultat ainsi que les paramètres de corrélation croisée45,46. Par exemple, pour trois résultats et trois entrées, un modèle de régression multiple simultané contiendra trois coefficients (à l'exclusion de l'interception), tandis qu'une procédure de modélisation de régression multivariée estimera neuf coefficients (à l'exclusion des interceptions pour les résultats) et la covariance correspondante entre les coefficients. Une approche de modélisation simultanée consiste à effectuer une transformation univariée de plusieurs résultats après avoir pris en compte l'hétérogénéité des variances d'erreur11,44,47. Dans cette méthode de transformation univariée, même si différents résultats ont des variances d'erreur différentes dans le modèle, les effets des variables d'entrée sont supposés être uniformes entre les résultats. La modélisation des variables latentes est une autre approche pour la modélisation simultanée de plusieurs résultats48. Cependant, les approches classiques de modélisation des variables latentes telles que la modélisation par équation structurelle exigent que les éléments individuels du ou des construits latents soient théoriquement liés et aient une validité de construit49. De plus, la procédure d'estimation devient complexe avec des données longitudinales comme celles des wearables51. Notre propose une méthode de modélisation empirique bayésienne hiérarchique pour surmonter ces défis liés à la modélisation simultanée de plusieurs résultats. Bien qu'il soit utile de comprendre les effets au niveau de la population des intrants sur les résultats, il peut être utile de comprendre comment et pourquoi les effets diffèrent d'un individu à l'autre. Les effets aléatoires dans un modèle multiniveau indiquent la présence d'une hétérogénéité individuelle dans les effets d'entrée50. Une approche simple pour identifier les facteurs contribuant à l'hétérogénéité individuelle consiste à introduire chaque facteur dans un terme d'interaction avec la variable d'entrée et à tester sa signification. C'est ce qu'on appelle la modélisation des pentes en tant que résultats50. Cependant, cette approche est sensible au bruit dans les données longitudinales et devient lourde à mesure que le nombre de facteurs potentiels augmente50 comme dans notre cas. Par conséquent, nous proposons la méthode de modélisation de l'hétérogénéité pour identifier les facteurs au niveau de la personne modérant la relation son-bien-être.

La modélisation prédictive et la modélisation explicative vont de pair puisque la première prédit l'avenir à partir de données existantes, en se concentrant sur des questions de « ce qui sera », tandis que la seconde éclaire des modèles cachés et nous renseigne sur « ce qui est » par rapport à un phénomène51. Les deux sont importants pour créer de la valeur à l'aide de données générées à partir de sources numériques telles que les appareils portables. À mesure que les applications basées sur la technologie portable augmenteront à l'avenir, la quantité de données disponibles à analyser augmentera de façon exponentielle et justifiera davantage de progrès dans la modélisation explicative pour des interprétations de modèles significatives. Bien que les méthodes d'apprentissage automatique telles que les apprenants d'ensemble et les réseaux de neurones puissent prédire les résultats, leur capacité à expliquer la ou les relations fonctionnelles entre les entrées et les résultats est limitée21. Par conséquent, dans cette étude, nous développons de nouvelles méthodes explicables pour les données numériques générées à partir de dispositifs portables et les appliquons pour explorer l'association son-bien-être. Notre étude permet aux chercheurs et aux praticiens non seulement de concilier certaines des différences dans les travaux antérieurs sur l'effet du son sur le bien-être, mais également de séparer les facteurs qui devraient être contrôlés dans les travaux futurs (par exemple, la pression artérielle et la nature du travail). Alors que la technologie portable devient largement disponible, la mesure personnalisée est réalisable et permet de comprendre l'impact de notre environnement au niveau individuel. Cela peut améliorer la conception du lieu de travail, la médecine personnalisée et ciblée, et également fournir aux individus les connaissances nécessaires pour faire des choix personnels afin de maximiser le bien-être. Ceux-ci, à leur tour, améliorent notre capacité à fonctionner au mieux sur le lieu de travail.

Notre étude comporte les hypothèses et limites suivantes. Nous nous sommes concentrés sur la modélisation des effets des niveaux sonores en milieu de travail sur le bien-être physiologique des employés de bureau, mais nous n'avons pas recueilli d'informations sur les types de sons (par exemple, conversation, bruit de fond mécanique, etc.) et les fréquences (par exemple, basse fréquence, tonalités de la parole). , haute fréquence, etc.) en raison de problèmes de confidentialité individuels et des limitations de la technologie des capteurs. Cependant, étant donné que des recherches antérieures ont montré que le type et la fréquence des sons de bureau ne modèrent pas les effets du niveau sonore sur les résultats de bien-être physiologique32,35, nous pensons que nos résultats resteront valables lors du contrôle du type et de la fréquence des sons ambiants. Deuxièmement, nous avons agrégé le niveau sonore et d'autres variables de niveau 1 à des intervalles de 5 minutes pour correspondre au grain des mesures de VRC du bien-être physiologique à court terme - SDNN et HF normalisées conformément aux directives cliniques52,53. Par conséquent, les effets durables des pics de niveau sonore dus à des événements soudains (par exemple, des cris, des chutes ou des bris d'objets, etc.) ou à la variation du niveau sonore dans un court laps de temps n'ont pas été étudiés, ce qui pourra être examiné dans de futures recherches. Néanmoins, les effets des événements répétés plusieurs fois ainsi que les bruits de fond constants sur l'intervalle de cinq minutes sont pris en compte dans nos modèles. Ensuite, nous avons émis l'hypothèse que SDNN est capable de suivre le stress temporel et que la HF normalisée est capable de suivre la modulation vagale/parasympathique de la réponse au stress et que leur combinaison est un indicateur du bien-être physiologique, car il a été démontré que ces deux mesures sont liées à la santé physique et bien-être13,14,15. La combinaison possible des VRC à la fois dans les domaines temporel et spectral est un effort continu au sein des communautés de recherche. D'autres combinaisons d'indicateurs de bien-être physiologique peuvent être examinées en utilisant notre méthode pour d'autres scénarios en tant que recherches futures (par exemple, LF et HF comme indicateurs de bien-être physiologique dans un environnement d'usine). Enfin, les données de chacun des 231 participants ont été recueillies pendant un maximum de 3 jours, ainsi notre étude ne fait aucune inférence liée aux effets à long terme du son sur le bien-être physiologique. Les études futures peuvent examiner les données d'une population d'étude plus large pendant une période plus longue afin de rendre compte des effets à long terme du niveau sonore au travail sur le bien-être.

Le Wellbuilt-for-Wellbeing (WB2)7 consistait en une étude de terrain en plusieurs phases de seize mois financée par la General Services Administration des États-Unis pour comprendre l'impact de l'environnement de travail sur le bien-être des employés de bureau. Dans l'étude, des travailleurs adultes en bonne santé autoproclamés impliqués dans une variété de rôles de bureau pour le gouvernement américain ont été recrutés dans quatre immeubles de bureaux fédéraux à travers le pays. Les bâtiments ont été sélectionnés pour leur représentation des types de postes de travail de bureau courants dans le portefeuille d'espaces de bureaux de l'US General Services Administration, qui abrite plus d'un million d'employés. Le personnel des sections de chaque immeuble de bureaux, provenant d'organisations approuvées par la direction, a eu la possibilité de participer. Après avoir donné leur consentement éclairé par écrit, les participants ont répondu à une enquête d'admission composée de questions démographiques. Les participants ont porté deux capteurs pendant trois jours dans l'exercice de leurs activités quotidiennes, un moniteur d'activité cardiaque et physique et un appareil basé sur des capteurs de qualité de l'environnement personnel. L'étude comprenait également des enquêtes mobiles d'échantillonnage d'expérience pour recueillir les réponses psychologiques perçues des individus à des intervalles périodiques d'une à deux heures. Notre étude a été approuvée par le comité d'examen institutionnel de l'Université d'Arizona.

Les mesures de VRC (SDNN et HF normalisées) ont été calculées à l'aide des directives de la Société européenne de cardiologie et de la Société nord-américaine de stimulation et d'électrophysiologie52. Les niveaux d'activité physique ont été évalués en g (c'est-à-dire 1 unité de force gravitationnelle) à partir du capteur accéléromètre triaxial de l'EcgMove354. Les niveaux sonores ont été agrégés à des intervalles de 5 minutes pour être intégrés aux mesures de bien-être physiologique SDNN et HF normalisé, en supposant qu'il n'y a pas d'effets décalés38. Seules les observations avec les deux valeurs de résultat présentes ont été prises en compte dans l'analyse. Les observations avec des valeurs de résultat supérieures au 99,5e centile ont été rejetées. L'âge et l'IMC ont été discrétisés en cinq et quatre niveaux, respectivement, pour faciliter l'interprétation. Les données des participants avec moins d'une heure de données enregistrées ont été exclues de l'analyse. Les valeurs manquantes dans les variables d'entrée ont été imputées à l'aide des valeurs moyennes. Outre le niveau sonore comme variable d'entrée et le SDNN et le HF normalisé comme résultats, des variables au niveau de la personne (par exemple, groupe d'âge, groupe d'IMC, sexe, etc.), des indicateurs temporels (heure de la journée, jour de la semaine), et les niveaux d'activité physique ont été inclus comme covariables dans les modèles statistiques. Les observations du jour 1 et du jour 2 de la participation de tous les participants ont été considérées comme l'ensemble de données d'entraînement, et les observations du jour 3 ont été utilisées comme échantillon retenu (c'est-à-dire l'ensemble de données de test) pour évaluer les performances prédictives des modèles. Les variables d'entrée et les variables au niveau de la personne ont été collectées sur la base de la littérature antérieure sur la modélisation de l'environnement-bien-être7,37,55,56 et la connaissance du domaine. Après la sélection des caractéristiques par étapes, seules les entrées significatives ont été prises en compte dans le modèle final et rapportées. Les statistiques récapitulatives des variables d'entrée sont données dans le tableau supplémentaire 2.

Comme mentionné précédemment, il n'existe pas de concept théorique unique qui unifie plusieurs mesures du bien-être physique, bien qu'il existe de nombreux indicateurs indépendants du bien-être physiologique15,42,57. Le SDNN et le HF normalisé en tant que mesures de VRC sont liés différemment aux activités sympathiques et parasympathiques du système nerveux autonome (ANS)42. Au lieu d'analyser séparément leurs associations avec le niveau sonore à l'aide de deux modèles, un modèle empirique de Bayes permet de combiner les deux résultats en un seul concept latent de bien-être physiologique qui peut ensuite être modélisé en fonction du niveau sonore et d'autres variables exogènes. Suivant Merkle et Wang (2018)58, nous définissons un modèle bayésien avec une variable latente combinant plusieurs résultats \(Y = \{ y_1,y_2, \ldots ,y_h, \ldots ,y_H\}\) comme suit :

Dans l'éq. (1), \(N\left( {\mu _h,\sigma _h^2} \right)\) est une distribution normale avec un a priori non informatif pour la variance \(\sigma _h^2\), \( \gamma _h\) est l'ordonnée à l'origine pour le résultat h, et \(\theta _{ik}\) est la valeur du facteur latent \(k^{th}\). Φ et \(\lambda _{hk}\) sont d'autres hyper-paramètres à estimer. Dans notre étude, nous avons défini \(m = 1\) car nous avons le bien-être physiologique comme seule variable latente qui combine deux résultats SDNN (\(y_1\)) et HF normalisé (\(y_2\)). Nous exprimons l'équation ci-dessus à un niveau d'observation pour les données longitudinales sur les appareils portables en ajoutant les indices i et j correspondant à l'observation \(i^{th}\) pour l'individu \(j^{th}\) comme indiqué ci-dessous :

La variable latente \(\theta _{ij}\) est exprimée comme un résultat d'un modèle à effets mixtes comme indiqué ci-dessous :

En centrant les résultats et en supprimant le paramètre d'interception des résultats \(\gamma _h\), nous pouvons combiner les variances d'erreur au niveau intra-individuel (c'est-à-dire, \(\sigma _{ih}^2\) et \(\sigma _\ thêta ^2\)). Le modèle résultant est représenté comme suit :

Le modèle empirique de Bayes présenté dans l'équation. (4) peut être utilisé pour modéliser l'association son-bien-être. Les saturations factorielles, \(\lambda _h\), attribuent automatiquement des pondérations différentes à chaque résultat (c'est-à-dire, \(\lambda _1\) et \(\lambda _2\)). Alternativement, un modèle de variable latente peut également être développé en utilisant l'approche classique (c'est-à-dire fréquentiste), connue sous le nom de modèle d'équation structurelle hiérarchique (SEM). Des logiciels tels que Mplus, LISREL, EQS, lavaan, OpenMx peuvent adapter un SEM à deux niveaux avec des interceptions aléatoires59. Dans le modèle SEM à deux niveaux, chaque résultat \(y_{ijh}\) est divisé en un composant intra et un composant intermédiaire comme suit :

Dans l'éq. (5), les composantes de covariance intra et inter sont traitées comme des variables latentes orthogonales et additives60. L'estimation du maximum de vraisemblance pour les paramètres est dérivée en minimisant la log de vraisemblance globale qui est la somme de la vraisemblance des données de J groupes. Le modèle à variable latente utilisant l'approche classique offre moins de flexibilité que son homologue bayésien, car il sollicite davantage d'hypothèses liées aux données et sa formulation de base ne tient pas compte des effets aléatoires60. Des explications détaillées sur la modélisation à plusieurs niveaux utilisant la modélisation statistique classique et la modélisation bayésienne hiérarchique sont incluses dans la sous-section suivante.

Les niveaux multiniveaux ou hiérarchiques des données groupées sont un phénomène courant1. Par exemple, dans les études organisationnelles, des informations sur les entreprises ainsi que sur les travailleurs sont disponibles de sorte qu'il existe des données structurées hiérarchiques sur les travailleurs individuels imbriqués dans plusieurs entreprises. Les modèles multiniveaux (également appelés modèles linéaires hiérarchiques, modèles à coefficients aléatoires, modèles à effets mixtes) sont des modèles statistiques avec des paramètres qui capturent la variabilité sur plusieurs niveaux de données.

Dans l'approche classique ou fréquentiste, les modèles multiniveaux peuvent être considérés comme une extension d'un modèle de régression des moindres carrés ordinaires (OLS) utilisé pour analyser la variance des variables de résultat lorsque les variables prédictives se situent à différents niveaux hiérarchiques. Un modèle linéaire hiérarchique à deux niveaux peut être mathématiquement exprimé comme suit :

Dans l'éq. (6), \(Y_{ij}\) est le résultat, \(\beta _{kj}\) sont les coefficients de niveau 1, \(V_{kij}\) sont les variables d'entrée de niveau 1, \( r_{ij}\) sont des résidus de niveau 1, \(\gamma _{km}\) sont des coefficients de niveau 2, \(W_{mj}\) sont des variables d'entrée de niveau 2 et \(u_{kj}\ ) sont des variables de niveau 2 pour \(i^{th}\)observation de \(j^{th}\) individu pour \(k \in {\Bbb Z}_K\) et \(m \in {\ Bbb Z}_M\). Les hypothèses du modèle sont les suivantes :

Dans l'éq. (8), T est la composante de covariance de la variance de niveau 2 qui modélise l'interrelation entre les erreurs de niveau 2. Combiner les éq. (1) et (2), nous pouvons représenter les modèles linéaires hiérarchiques comme suit :

Dans l'éq. (9), \(\beta = \left\{ {\beta _0,\beta _1, \ldots ,\beta _K} \right\}\) sont des coefficients d'effets fixes, \(\gamma = \left\{ { \gamma _{0j},\gamma _{1j}, \ldots ,\gamma _{Mj}} \right\}\) sont des coefficients d'effets aléatoires pour J groupes \(j \in {\Bbb Z}_J\ ), et \({\it{\epsilon }}_{ij}\) est la somme des composants d'erreur à effets fixes et d'erreur à effets aléatoires. En notation matricielle, l'équation ci-dessus est représentée comme suit :

Dans l'éq. (10), X est une matrice d'effets fixes et Z est une matrice d'effets aléatoires. Sous réserve des hypothèses ci-dessus, les paramètres du modèle peuvent être estimés en maximisant la fonction de vraisemblance y comme indiqué ci-dessous :

La significativité des effets fixes et des effets aléatoires est testée à l'aide du test de Wald, du test du rapport de vraisemblance, du test F, du bootstrap paramétrique ou des méthodes MCMC1. L'ajustement du modèle peut être comparé à l'aide des approximations de l'AIC, de la déviance et du R au carré2.

Les bayésiens, quant à eux, décrivent leurs croyances sur les inconnues dans un modèle linéaire hiérarchique avant d'observer les données avec des distributions a priori et la fonction de vraisemblance suivante :

Une régression à un seul niveau ne tient pas compte de l'hétérogénéité entre les groupes est appelée modèle avec mise en commun complète et peut produire des estimations de paramètres erronées s'il existe une hétérogénéité entre les groupes. D'autre part, les modèles de régression pour chaque groupe de données de niveau 2 indépendamment sont appelés modélisation sans regroupement et entraînent des estimations de paramètres imprécises, car ils ignorent la variance commune entre les groupes. Les modèles linéaires hiérarchiques sont considérés comme un sous-ensemble des modèles bayésiens hiérarchiques qui sont des modèles avec regroupement partiel3. Les paramètres sont autorisés à varier par groupe aux niveaux inférieurs de la hiérarchie tout en estimant les paramètres communs aux niveaux supérieurs. Notez que les effets de niveau 2 et plus ne font pas partie de la variance d'erreur comme dans l'approche classique/fréquentiste, mais modélisés comme des paramètres eux-mêmes (également appelés coefficients variables). Les paramètres variables ont des hyper-paramètres qui sont estimés sur la base du groupement de niveau 2 et d'ordre supérieur dans les données. La distribution a posteriori estimée des paramètres pour un modèle linéaire hiérarchique avec une erreur distribuée normalement et une fonction de lien d'identité a la forme suivante :

Des approches d'estimation MCMC telles que les familles de méthodes Metropolis Hastings, Gibbs Sampling et Hamiltonian Monte Carlo sont utilisées pour estimer la probabilité a posteriori compte tenu de la distribution a priori de tous les paramètres et de la probabilité de données données16. La comparaison des implémentations et des progiciels à usage général pour la modélisation multiniveau classique et bayésienne est effectuée dans West et Galecki63, Mai et Zhang64, respectivement.

Comme indiqué précédemment, des informations sur comment et pourquoi les effets diffèrent d'un individu à l'autre peuvent être précieuses. Nous développons une méthode en deux étapes pour trouver des variables au niveau de la personne expliquant l'hétérogénéité de l'association son-bien-être entre les individus. Dans la première étape, nous ajustons un modèle empirique de Bayes avec toutes les variables d'entrée avec des coefficients d'effets aléatoires ayant des priors normaux avec des moyennes non nulles. Les variables au niveau de la personne (par exemple, l'âge, l'IMC, le sexe, etc.) ne sont pas incluses dans le modèle car leur valeur est constante pour chaque individu (c'est-à-dire que les coefficients d'effets aléatoires pour les variables au niveau de la personne ont une distribution à variance nulle). Le modèle empirique de Bayes pour l'étape 1 est illustré ci-dessous :

Les valeurs moyennes \(\mu _{\gamma _0}\) et \(\mu _{\gamma _m}\) dans l'équation. (14) sont analogues à l'ordonnée à l'origine du modèle et aux coefficients d'effets fixes correspondants de la variable \(m^{th}\) dans le modèle bayésien empirique présenté dans l'équation. (4). Dans la deuxième étape, nous formulons les coefficients d'effets aléatoires du niveau sonore comme résultat d'un modèle linéaire avec des variables au niveau de la personne comme variables d'entrée comme suit :

Dans l'éq. (15), \({{{\mathrm{{\Gamma}}}}}_{{{\mathrm{r}}}} = \left\{ {\gamma _{r1},\gamma _{r2 }, \ldots ,\gamma _{rJ}} \right\}\) sont les coefficients des effets aléatoires pour l'entrée dans le modèle empirique de Bayes de l'étape 1, \(\{ x_{1 \cdot },x_{2 \ cdot }, \ldots ,x_{P \cdot }\}\) sont P variables au niveau de la personne, et \({\it{\epsilon }}_j\) est une erreur résiduelle distribuée normalement variant entre J individus.

Le problème d'identification des facteurs au niveau de la personne contribuant aux effets d'hétérogénéité individuelle est présenté comme un problème de sélection de variables dans notre modèle linéaire. Les méthodes traditionnelles de sélection de caractéristiques par étapes pour les modèles de régression sont confrontées à des défis tels que la sensibilité aux changements de données et une faible validité externe21. Ces défis sont particulièrement pertinents dans notre problème, où il existe de multiples variables au niveau de la personne qui pourraient être des facteurs contribuant à l'hétérogénéité des effets sonores sur le bien-être des individus. Par conséquent, nous choisissons trois méthodes basées sur la régularisation, lasso, elasticnet et lasso adaptatif21 pour déterminer les entrées significatives dans le modèle linéaire présenté dans l'équation. (15). Le lasso utilise une pénalité de l-1 pour réduire à zéro les coefficients des entrées non significatives21. Les méthodes elasticnet et lasso adaptatif sont des améliorations par rapport à la méthode de sélection des caractéristiques au lasso et tiennent compte des caractéristiques corrélées et possèdent des propriétés oracle. Les hyperparamètres des fonctions de pénalité de ces modèles sont déterminés à l'aide d'une procédure de recherche de grille21. Les poids adaptatifs initiaux sont définis comme l'inverse des valeurs absolues des coefficients d'une régression vanille comme proposé par Zou61. Les variables au niveau de la personne qui ont des coefficients non nuls dans les trois modèles régularisés sont choisies comme l'ensemble final de facteurs contribuant aux effets d'hétérogénéité individuelle52.

La figure 4 montre une illustration de notre cadre de modélisation explicatif global composé de deux nouvelles méthodes pour capturer les associations au niveau de la population et interpersonnelles entre les niveaux sonores et le bien-être physiologique.

Cadre de modélisation explicatif composé d'un modèle Bayes empirique et d'une méthode de modélisation de l'hétérogénéité pour identifier l'association son-bien-être au niveau de la population et interpersonnelle.

Pour valider la présence d'un niveau sonore optimal pour le bien-être physiologique à 50 dBA et l'influence de la pression artérielle et du travail impliquant une utilisation intensive de l'ordinateur dans la modération de la relation son-bien-être, nous avons effectué une comparaison post-hoc du bien-être entre différentes populations stratifiées pour trois niveaux sonores. conditions : niveau sonore inférieur à 45 dBA, niveau sonore compris entre 45 dBA et 55 dBA et niveau sonore supérieur à 55 dBA. Le tableau 6 montre les comparaisons post-hoc du score moyen de bien-être ajusté pour les effets aléatoires pour les trois plages de niveau sonore pour différentes sous-populations dans nos données. À l'appui de notre conclusion selon laquelle 50 dBA est un niveau sonore optimal sur le lieu de travail, nous constatons que la plage de niveaux sonores de 45 à 55 dBA a le score de bien-être ajusté moyen le plus élevé pour l'ensemble de la population, par rapport aux plages de niveaux sonores faibles et élevés. Cependant, pour les personnes souffrant d'hypertension artérielle, la plage de niveau sonore la plus basse (c.-à-d. Niveau sonore < = 45 dBA) est optimale, ce qui est différent des personnes ayant une pression artérielle normale. Enfin, les personnes qui utilisent un ordinateur pour un travail intensif ont un score de bien-être ajusté moyen inférieur pour les plages de niveaux sonores faibles et élevés (c'est-à-dire, niveau sonore <= 45 dBA et niveau sonore > 55 dBA), par rapport aux personnes utilisant régulièrement un ordinateur à travail. En d'autres termes, ce groupe bénéficie plus (que l'individu moyen) à la fois (a) d'une augmentation du niveau sonore dans la plage inférieure et (b) d'une diminution du niveau sonore dans la plage supérieure. Ces résultats de comparaison de groupe post-analyse valident les résultats basés sur nos méthodes proposées.

De plus amples informations sur la conception de la recherche sont disponibles dans le résumé des rapports de recherche sur la nature lié à cet article.

Les ensembles de données générés pendant et/ou analysés pendant l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Le code utilisé pour l'analyse dans cette étude est disponible auprès de l'auteur correspondant sur demande raisonnable.

École de santé publique de Harvard. Le travail et la santé. (2016).

Heerwagen, J. & Zagreus, L. Les facteurs humains de la conception de bâtiments durables : évaluation après occupation du Centre environnemental Philip Merrill. Qualité de l'environnement intérieur (2005).

Daiber, A. et al. Le bruit environnemental induit la libération d'hormones de stress et de molécules de signalisation inflammatoires conduisant à un stress oxydatif et à un dysfonctionnement vasculaire - Signatures de l'exposome interne. BioFacteurs. 45 Préimpression sur https://doi.org/10.1002/biof.1506 (2019).

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

Hicks, JL et al. Meilleures pratiques pour analyser des données de santé à grande échelle à partir d'applications portables et de smartphones. npj Digital Med. 2, (2019).

Loftus, ID et al. Algorithmes idéaux en santé : Explicables, dynamiques, précis, autonomes, justes et reproductibles. PLOS Digital Health 1, e0000006 (2022).

Article Google Scholar

GSA. Bien construit pour le bien-être. https://www.gsa.gov/governmentwide-initiatives/federal-highperformance-green-buildings/resource-library/health/wellbuilt-for-wellbeing (2021).

Lindberg, CM et al. Effets du type de poste de travail de bureau sur l'activité physique et le stress. Occup. Environ. Méd. 75, 689–695 (2018).

Article Google Scholar

Bozdogan, H. Sélection du modèle et critère d'information d'Akaike (AIC) : la théorie générale et ses extensions analytiques. Psychometrika 52, 3450370 (1987).

Article Google Scholar

Wood, SN Estimation stable et efficace des paramètres de lissage multiple pour les modèles additifs généralisés. Confiture. Statistique. Assoc. 99, 673–686 (2004).

Baldwin, SA, Imel, ZE, Braithwaite, SR & Atkins, DC Analyse de plusieurs résultats dans la recherche clinique à l'aide de modèles multivariés à plusieurs niveaux. J. Consulting Clin. Psychol. 82, 920–930 (2014).

Article Google Scholar

Brent, RP Algorithmes de minimisation sans dérivés. (Publications de Douvres, 2013).

Soares-Miranda, L. et al. Activité physique et variabilité de la fréquence cardiaque chez les personnes âgées. Circulation 129, 2100–2110 (2014).

Article Google Scholar

Tan, JPH, Beilharz, JE, Vollmer-Conna, U. & Cvejic, E. Variabilité de la fréquence cardiaque en tant que marqueur du vieillissement en bonne santé. Int. J. Cardiol. 275, 101–103 (2019).

Article Google Scholar

Natarajan, A., Pantelopoulos, A., Emir-Farinas, H. & Natarajan, P. Variabilité de la fréquence cardiaque avec photopléthysmographie chez 8 millions d'individus : une étude transversale. The Lancet Digital Health 2, e650–e657 (2020).

Gelman, A. et al. Analyse bayésienne des données. Analyse bayésienne des données (CRC Press, 2014).

Carpenter, B. et al. Stan : un langage de programmation probabiliste. J. Stat. Logiciel 76, 1–32 (2017).

Article Google Scholar

Kline, RB Principes et pratique de la modélisation par équations structurelles. vol. 156 (Guilford, 2011).

Rosseel, Y. Lavaan : un package R pour la modélisation d'équations structurelles. JStat. Doux. 48, 1–36 (2012).

Article Google Scholar

Pinheiro, J., Bates, D., DebRoy, S. & Sarkar, D. nlme : modèles à effets mixtes linéaires et non linéaires. Package R version 3 Préimpression à (2007).

Hastie, T., Tibshirani, R. & Friedman, J. Les éléments de l'apprentissage statistique : exploration de données, inférence et prédiction. (Springer, 2009).

Gruber, M., de Leon, N., George, G. et Thompson, P. Gestion par conception. Acad. Géré. J. 58, 1–7 (2015).

Article Google Scholar

Dahl, MS Changement organisationnel et stress des employés. Géré. Sci. 57, 240-256 (2011).

Article Google Scholar

Ryff, CD Le bonheur est tout, n'est-ce pas ? Explorations sur le sens du bien-être psychologique. J. Personnel. Soc. Psychol. 57, 1069-1081 (1989).

Article Google Scholar

Boron, WF & Boulpaep, EL Physiologie médicale. (Elsevier, 2017).

Pitchforth, J., Nelson-White, E., van den Helder, M. & Oosting, W. Le pilote de l'environnement de travail : une expérience pour déterminer la conception de bureau optimale pour une entreprise technologique. PLoS ONE 15, e0232943 (2020).

Lee, Y., Nelson, EC, Flynn, MJ & Jackman, JS Explorer les options d'aménagement sonore pour l'environnement cognitif dans un bureau à aire ouverte. Acoustique du bâtiment 27, 185–202 (2020).

Lee, PJ, Lee, BK, Jeon, JY, Zhang, M. et Kang, J. Impact du bruit sur la satisfaction au travail et la santé autoévaluées dans les bureaux à aire ouverte : une approche de modélisation par équation structurelle. Ergonomie 59, 222–234 (2016).

Article Google Scholar

Jahncke, H., Hygge, S., Halin, N., Green, AM & Dimberg, K. Bruit de bureau à aire ouverte : performances cognitives et restauration. J. Environ. Psychol. 31, 373–382 (2011).

Article Google Scholar

Mehta, R., Zhu, R. & Cheema, A. Le bruit est-il toujours mauvais ? explorer les effets du bruit ambiant sur la cognition créative. J. Consum. Rés. 39, 784–799 (2012).

Article Google Scholar

OSHA. Exposition professionnelle au bruit. Administration de la sécurité et de la santé au travail https://www.osha.gov/noise (2021).

Walker, ED, Brammer, A., Cherniack, MG, Laden, F. & Cavallari, JM Réponses cardiovasculaires et de stress aux expositions au bruit à court terme - Une étude par panel chez des hommes en bonne santé. Environ. Rés. 150, 391–397 (2016).

Article CAS Google Scholar

Cvijanović, N., Kechichian, P., Janse, K. & Kohlrausch, A. Effets du bruit sur l'éveil dans un contexte de communication vocale. Discours Commun. 88, 127-136 (2017).

Article Google Scholar

Park, SH & Lee, PJ Effets du bruit d'impact au sol sur les réponses psychophysiologiques. Construire. Environ. 116, 173-181 (2017).

Article Google Scholar

Sim, CS et al. Les effets de différents types de bruit sur la variabilité de la fréquence cardiaque chez les hommes. Yonsei Med. J. 56, 235-243 (2015).

Article Google Scholar

Abbasi, AM, Motamedzade, M., Aliabadi, M., Golmohammadi, R. & Tapak, L. Étude des effets sur la santé physiologique et mentale causés par l'exposition au bruit à basse fréquence dans une salle de contrôle simulée. Acoustique du bâtiment 25, 233–248 (2018).

Kraus, U. et al. Exposition individuelle au bruit diurne lors d'activités de routine et variabilité de la fréquence cardiaque chez l'adulte : une étude à mesures répétées. Environ. Perspective Santé. 121, 607–612 (2013).

Article Google Scholar

Srinivasan, K. et al. Une approche de régularisation pour identifier les effets décalés cumulatifs dans les applications de santé intelligentes. Dans Actes de la 7e Conférence internationale sur la santé numérique 99-103 (ACM Press, 2017).

Gadaleta, M. et al. Détection passive de COVID-19 avec des capteurs portables et des algorithmes d'apprentissage automatique explicables. npj Digital Med. 2021 4:1 4, 1–10 (2021).

Google Scholar

Verkuil, B., Brosschot, JF, Tollenaar, MS, Lane, RD et Thayer, JF Réduction prolongée de la variabilité non métabolique de la fréquence cardiaque en tant que marqueur physiologique du stress psychologique dans la vie quotidienne. Anne. Comportement Méd. 50, 704–714 (2016).

Article Google Scholar

Xhyheri, B., Manfrini, O., Mazzolini, M., Pizzi, C. & Bugiardini, R. Variabilité de la fréquence cardiaque aujourd'hui. Programme. Trouble cardiovasculaire. 55, 321–331 (2012).

Article Google Scholar

Shaffer, F. & Ginsberg, JP Un aperçu des mesures et des normes de variabilité de la fréquence cardiaque. Devant. Santé publique 5, 1–17 (2017).

Article Google Scholar

Das, A., Poole, WK & Bada, HS Une approche de mesures répétées pour la modélisation simultanée de multiples résultats neurocomportementaux chez les nouveau-nés exposés à la cocaïne in utero. Suis. J. Épidémiol. 159, 891–899 (2004).

Article Google Scholar

Pituch, KA & Stevens, JP Statistiques multivariées appliquées aux sciences sociales. (Routledge, 2016).

Ritz, C., Pilmann Laursen, R. & Trab Damsgaard, C. Inférence simultanée pour les modèles mixtes linéaires à plusieurs niveaux - avec une application à une étude à grande échelle sur les repas scolaires. Statistique JR. Soc. : Ser. C. (Appl. Stat.) 66, 295–311 (2017).

Article Google Scholar

Lin, Y.-K., Chen, H., Brown, RA, Li, S.-H. & Yang, H.-J. Analyse prédictive des soins de santé pour le profilage des risques dans les soins chroniques : une approche d'apprentissage multitâche bayésienne. MIS Q. 41, 473–495 (2017).

Article Google Scholar

Faraway, JJ Étendre le modèle linéaire avec R : modèles linéaires généralisés à effets mixtes et modèles de régression non paramétrique. (CRC Press, 2016).

Muthén, BO Beyond SEM : Modélisation générale des variables latentes. Behaviormetrika 29, 81-117 (2002).

Article Google Scholar

Kline, RB Hypothèses dans la modélisation par équation structurelle. Manuel de modélisation d'équations structurelles (Guilford, 2012).

Raudenbush, SW & Bryk, AS Modèles linéaires hiérarchiques : applications et méthodes d'analyse de données. (Sauge, 2002).

Shmueli, G. Expliquer ou prévoir ? Statistique. Sci. 25, 289-310 (2010).

Article Google Scholar

Malik, M. et al. Variabilité de la fréquence cardiaque : normes de mesure, interprétation physiologique et utilisation clinique. EUR. Heart J. 93, 1043–1065 (1996).

Google Scholar

Pereira, T., Almeida, PR, Cunha, JPS et Aguiar, A. Mesures de la variabilité de la fréquence cardiaque pour une évaluation précise du niveau de stress. Méthodes informatiques Prog. Biomédecine 148, 71–80 (2017).

Article Google Scholar

Razjouyan, J. et al. Capteurs portables et évaluation de la fragilité chez les personnes âgées vulnérables : une étude de cohorte observationnelle. Capteurs 18, 1336 (2018).

Article Google Scholar

Thayer, JF et al. Effets de l'environnement physique de travail sur les mesures physiologiques du stress. EUR. J. Cardiovasculaire Préc. Désintox. 17, 431–439 (2010).

Article Google Scholar

MacNaughton, P. et al. Perceptions environnementales et santé avant et après déménagement dans un bâtiment vert. Construire. Environ. 104, 138-144 (2016).

Article Google Scholar

Richards, DM et al. Indice de décompensation dérivé d'un capteur portable pour la surveillance à distance continue des patients diagnostiqués COVID-19. npj Creusez. Méd. 4, 155 (2021).

Merkle, EC & Wang, T. Modèles de variables latentes bayésiennes pour l'analyse des données de psychologie expérimentale. Taureau psychonomique. Rév. 25, 256–270 (2018).

Article Google Scholar

Skrondal, A. & Rabe-Hesketh, S. Modélisation généralisée des variables latentes : modèles d'équations multiniveaux, longitudinaux et structurels. (CRC Press, 2004).

Heck, RH & Thomas, SL Une introduction aux techniques de modélisation à plusieurs niveaux : Approches MLM et SEM utilisant Mplus. (Routledge, 2015).

Zou, H. Le lasso adaptatif et ses propriétés d'oracle. Confiture. Statistique. Assoc. 101, 1418-1429 (2006).

Article CAS Google Scholar

Searle, SR, Speed, FM & Milliken, GA Moyennes marginales de la population dans le modèle linéaire : une alternative aux moyennes des moindres carrés. Suis. Statistique. 34, 216-221 (1980).

West, BT & Galecki, AT Un aperçu des procédures logicielles actuelles pour l'ajustement de modèles mixtes linéaires. AmStat 65, 274-282 (2011).

Article Google Scholar

Mai, Y. & Zhang, Z. Progiciels pour la modélisation bayésienne à plusieurs niveaux. Struct Equ Modeling 25, 650–658 (2018).

Article Google Scholar

Télécharger les références

Cette étude a été financée par un contrat de la United States General Services Administration # GS-00-H-14-AA-C-0094.

École de commerce, Université du Kansas, Lawrence, KS, États-Unis

Karthik Srinivasan

Département des systèmes d'information de gestion, Eller College of Management, Université de l'Arizona, Tucson, AZ, États-Unis

Faiz Currim et Sudha Ram

HKS Inc, Denver, CO, États-Unis

Casey M. Lindberg

Institute on Place, Wellbeing, and Performance, Université d'Arizona, Tucson, AZ, États-Unis

Casey M. Lindberg et Esther M. Sternberg

Center for Innovations in Quality, Effectiveness and Safety (IQuESt), Baylor College of Medicine, Houston, Texas, États-Unis

Javad Razjouyan

Département de médecine, Baylor College of Medicine, Houston, États-Unis

Javad Razjouyan

Big Data Scientist Training Enhancement Program, VA Office of Research and Development, Washington, District de Columbia, États-Unis

Javad Razjouyan

Office of Federal High Performance Green Buildings, US General Services Administration, Washington, DC, États-Unis

Brian Gilligan, Kelly J. Canada, Judith Heerwagen et Kevin Kampschroer

Best Buy, Boston, Massachusetts, États-Unis

Hyoki Lee

Aclima, Inc, San Francisco, Californie, États-Unis

Nicole Goebel et Melissa M. Lunden

Département de psychologie, Université d'Arizona, Tucson, AZ, États-Unis

Matthieu R.Mehl

Center to Stream HealthCare in Place (C2SHIP), Michael E. DeBakey Department of Surgery, Baylor College of Medicine, Houston, TX, États-Unis

Bijan Najafi

Andrew Weil Center for Integrative Medicine, Université d'Arizona, Tucson, États-Unis

Esther M. Sternberg

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

KS a développé le modèle empirique de Bayes et la méthode de modélisation de l'hétérogénéité et a effectué des analyses de données. FC et SR ont donné des conseils sur le développement du modèle empirique de Bayes et de la méthode de modélisation de l'hétérogénéité, et sur la présentation des résultats d'analyse. JR, HL et BJ ont consolidé les données sur l'activité cardiaque et physique. NG et MML ont consolidé les données des capteurs d'environnement. SR, CML, BG, MRM, JH, EMS et KK ont conçu et conçu l'étude. KS, FC et SR ont rédigé le manuscrit. Tous les auteurs ont contribué à l'interprétation des résultats. Tous les auteurs ont lu et approuvé le manuscrit.

Correspondance à Karthik Srinivasan.

NG et MML ne déclarent aucun intérêt non financier concurrent, mais les intérêts financiers concurrents suivants : NG et MML sont employés par Aclima Inc., une organisation commerciale. Tous les autres auteurs ne déclarent aucun intérêt concurrent.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Srinivasan, K., Currim, F., Lindberg, CM et al. Découverte de modèles associatifs entre le niveau sonore au travail et le bien-être physiologique à l'aide d'appareils portables et d'une modélisation bayésienne empirique. npj Chiffre. Méd. 6, 5 (2023). https://doi.org/10.1038/s41746-022-00727-1

Télécharger la citation

Reçu : 22 février 2022

Accepté : 29 novembre 2022

Publié: 13 janvier 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

npj Médecine numérique (2023)