La fatiga es uno de los mayores riesgos para la seguridad y el rendimiento en las operaciones mineras y otras industrias pesadas. Los trabajadores cansados tienen más probabilidades de cometer errores, reaccionar con más lentitud o sufrir lesiones en el trabajo. Tradicionalmente, la gestión de la fatiga en la minería se ha basado en herramientas como rastreadores de sueño portátiles, cámaras o medidas reactivas que sólo detectan la fatiga cuando ya ha comenzado.
Pero una reciente investigación revisada por expertos muestra algo importante: se puede predecir con exactitud el riesgo de fatiga incluso cuando no se dispone de dispositivos portátiles, utilizando un modelo estructurado basado en encuestas combinado con aprendizaje automático y un algoritmo científico de fatiga de eficacia probada. Este enfoque respalda la gestión predictiva del riesgo de fatiga y ofrece a los responsables de seguridad información fiable sobre la preparación de los trabajadores sin necesidad de dispositivos que pueden ser difíciles de implantar.
Puntos clave
-
Un estudio revisado por expertos analizó los datos de una encuesta realizada a más de 1.800 trabajadores mineros en más de 10 minas.
-
La investigación muestra que el riesgo de fatiga se puede predecir con precisión sin datos de sueño portátiles.
-
Se utilizó un modelo basado en encuestas para crear perfiles de sueño.
-
Múltiples informes de investigación previos muestran que la alimentación de estos perfiles de sueño en un modelo validado de ciencia de la fatiga (SAFTE™) puede producir predicciones precisas de fatiga
-
Las puntuaciones de fatiga resultantes mostraron más del 90% de sensibilidad, bajo error y menos falsos positivos que algunos enfoques basados en wearables
-
Este enfoque es especialmente útil para las operaciones mineras en las que es difícil implementar wearables debido a problemas de privacidad, entornos sindicales, límites de conectividad o uso inconsistente del dispositivo
¿Qué es la gestión predictiva del riesgo de fatiga?
La gestión predictiva del riesgo de fatiga se refiere a los sistemas que predicen cuándo un trabajador puede estar en riesgo elevado de fatiga antes de que el riesgo afecte al rendimiento o a la seguridad. Con modelos predictivos eficaces, los supervisores pueden planificar horarios más seguros, ajustar las tareas y reducir los incidentes relacionados con la fatiga de los trabajadores.
Los métodos tradicionales incluyen:
-
Dispositivos portátiles que registran los patrones de sueño, como el ReadiWatch.
-
Cámaras o sensores que reaccionan a la fatiga visible
-
Registros de sueño autoinformados
Cada uno de ellos tiene sus limitaciones en los entornos mineros:
-
Los dispositivos portátiles pueden plantear problemas de privacidad o de cumplimiento de la normativa, o pueden caer en el olvido.
-
Las cámaras y los sensores son reactivos y pueden no funcionar en todas partes.
-
Los autoinformes pueden ser incoherentes.
La nueva investigación explora si un método basado en encuestas puede proporcionar perfiles de sueño precisos, que luego pueden ser alimentados en modelos de predicción de la fatiga, incluso sin datos wearable.
Resumen del estudio revisado por expertos
La investigación, titulada "Non-Wearable Survey-Based Deep Learning Techniques for Measuring Fatigue - Predicting Mining Workers' Readiness ", fue realizada por:
Autores:
-
Umme Zakia, Instituto de Tecnología de Nueva York y Fatigue Science
-
Luis López, Ciencia de la fatiga
-
Paul Kenny, Ciencia de la fatiga
-
David McGrail, Ciencia de la fatiga
Este estudio valida el uso de un cuestionario basado en encuestas para predecir con exactitud el perfil de sueño de una persona, incluida la cantidad y la calidad del sueño. No modela directamente el riesgo de fatiga.
La conversión de los perfiles de sueño en puntuaciones de riesgo de fatiga (ReadiScores ) está respaldada por investigaciones independientes revisadas por pares, incluidos estudios que relacionan el sueño con la fatiga y la eficacia cognitiva a través de modelos biomatemáticos como SAFTE™. Por lo tanto, el enfoque de Readi se basa en múltiples fuentes revisadas por pares, cada una de las cuales valida una parte diferente del sistema.
Lo que estudiaron los investigadores
El estudio analizó datos de encuestas estructuradas recopilados de más de 1800 trabajadores mineros en más de 10 explotaciones mineras de todo el mundo. Entre ellos había empleados tanto del turno de día como del turno de noche.
El objetivo era comprobar si las respuestas de la encuesta podían utilizarse para estimar los patrones de sueño lo suficientemente bien como para respaldar el modelado predictivo del riesgo de fatiga, incluso cuando no se disponía de datos de sueño que se pudieran llevar puestos.
En lugar de hacer preguntas vagas como "¿Se siente cansado?", la encuesta se centró en información específica basada en el comportamiento, que incluía:
-
Horario y duración del sueño
-
Cuánto tarda en dormirse
-
Con qué frecuencia se despiertan los trabajadores durante el sueño
-
Tiempos de desplazamiento
-
Entorno de sueño
-
Horarios y rotación de turnos
-
Factores del estilo de vida que afectan al sueño
En total, se utilizaron 50 preguntas de la encuesta para obtener una imagen detallada de cómo duermen y se recuperan los trabajadores entre turnos.
Los modelos de aprendizaje automático utilizaron estas respuestas de la encuesta para estimar el perfil de sueño de una persona, incluyendo aspectos como los minutos de descanso, la eficiencia del sueño y el número de despertares durante el sueño.
Estos perfiles de sueño estimados se introdujeron en un algoritmo de fatiga validado científicamente llamado modelo SAFTE™, que se ha utilizado en la ciencia de la fatiga industrial, militar y de la aviación. El modelo SAFTE™ calcula una ReadiScore, una predicción hora a hora del riesgo de fatiga de un individuo.
Al combinar las estimaciones del sueño basadas en encuestas con el aprendizaje automático y la ciencia SAFTE™, el estudio creó un modelo predictivo de la fatiga que no requiere un seguimiento del sueño portátil.
Resultados de la investigación
Esta investigación está revisada por pares, lo que significa que otros científicos evaluaron los métodos y resultados antes de su publicación, lo que refuerza su credibilidad.
Estos son los principales resultados:
1. 1. Gran sensibilidad al riesgo de fatiga
El modelo basado en encuestas fue capaz de identificar el riesgo de fatiga con una sensibilidad superior al 90% en comparación con las predicciones basadas en los wearables. Esto significa que coincidió con las alertas del modelo basado en wearables la mayoría de las veces.
2. Buena precisión
La diferencia media (error absoluto medio) entre las puntuaciones basadas en la encuesta y las basadas en los wearables fue inferior a 10 puntos en la escala de fatiga. Se trata de una diferencia pequeña en términos prácticos.
3. 3. Menos falsos positivos
El modelo produjo menos falsas alarmas que algunas comparaciones basadas en wearables. Los falsos positivos pueden distraer a los supervisores y reducir la confianza en el sistema.
Lea el artículo sobre el ROI de Readi
4. Rendimiento en el mundo real
El modelo funcionó bien en diferentes emplazamientos y durante largos periodos de recopilación de datos, lo que demuestra que es lo suficientemente robusto para operaciones mineras reales.
Por qué es importante para la seguridad y las operaciones mineras
Mejor gestión de la fatiga minera
La minería es una actividad que se realiza 24 horas al día, 7 días a la semana, con turnos rotativos, largas jornadas laborales y grandes exigencias físicas. La fatiga está relacionada con los accidentes, las lesiones y la reducción de la productividad.
Un modelo predictivo que funciona sin wearables significa:
-
Los equipos de seguridad pueden prever los periodos de alto riesgo
-
Los horarios de las tripulaciones pueden optimizarse utilizando datos.
-
Los supervisores pueden anticiparse a la fatiga en lugar de reaccionar después de que aparezca.
Funciona en condiciones reales
No todas las explotaciones mineras pueden implantar wearables debido a:
-
Preocupación por la privacidad de los trabajadores
-
Sensibilidades sindicales y laborales
-
Mala conectividad subterránea
-
Problemas de conformidad de los dispositivos
Un sistema basado en encuestas evita estos obstáculos al tiempo que proporciona información precisa sobre la fatiga.
Mayor confianza de los trabajadores
Cuando los sistemas no dependen de cámaras o dispositivos portátiles, es más probable que los trabajadores participen honestamente, lo que mejora la calidad de los datos y la adopción del programa.
Cómo encaja en un sistema de gestión de riesgos de fatiga (FRMS)
Este enfoque basado en encuestas no tiene por qué sustituir a todas las demás herramientas. En su lugar, puede
-
Servir como un sistema independiente de gestión de riesgos de fatiga donde los wearables no son factibles.
-
Actuar como copia de seguridad cuando falten datos de los dispositivos portátiles.
-
Apoyar programas híbridos que combinen datos que se puedan llevar puestos y datos que no se puedan llevar puestos.
El punto clave es que la visibilidad del riesgo de fatiga no desaparece cuando los wearables no están disponibles.
Conclusión
La gestión del riesgo de fatiga en la minería y la industria pesada es fundamental para la seguridad, la productividad y la salud de los trabajadores. Este estudio revisado por pares muestra que un modelo predictivo basado en encuestas puede proporcionar previsiones de riesgo de fatiga que igualan a los métodos tradicionales basados en wearables, evitando al mismo tiempo algunas barreras prácticas para su implementación.
Si su equipo está evaluando herramientas de riesgo de fatiga, merece la pena considerar cómo los métodos predictivos basados en encuestas pueden encajar en su estrategia de gestión del riesgo de fatiga y reforzar sus resultados de seguridad.
Preguntas más frecuentes
¿Se puede predecir la fatiga sin monitorización portátil?
Sí. Este estudio revisado por expertos muestra que el riesgo de fatiga puede predecirse con precisión sin la monitorización portátil. Utilizando un cuestionario estructurado, los modelos de aprendizaje automático estiman los datos clave del sueño y los introducen en un modelo validado de la ciencia de la fatiga. Las ReadiScores resultantes coinciden con las predicciones basadas en los datos de sueño de los dispositivos portátiles, con una sensibilidad superior al 90%.
¿Cómo controla Fatigue Science la fatiga sin los wearables?
Fatigue Science utiliza un enfoque basado en encuestas para el control de la fatiga cuando no se dispone de wearables. Los trabajadores rellenan cuestionarios estructurados sobre sus patrones de sueño y trabajo, que se analizan mediante aprendizaje automático. A continuación, estas estimaciones se procesan a través del modelo de fatiga SAFTE™ para generar ReadiScores, proporcionando predicciones de riesgo de fatiga hora a hora sin necesidad de dispositivos.
El control de la fatiga basado en encuestas, ¿es fiable para los programas de gestión de la fatiga?
Sí. La investigación demuestra que la monitorización de la fatiga basada en encuestas puede apoyar de forma fiable los programas de gestión de la fatiga. Los perfiles de sueño derivados de las encuestas se correlacionaron estrechamente con los datos de sueño derivados de los dispositivos portátiles, lo que dio lugar a tasas de error bajas y menos falsos positivos. Esto hace que la monitorización basada en encuestas sea una opción viable para las operaciones en las que es difícil implantar wearables.
¿Qué es Readi y cómo contribuye a la gestión del riesgo de fatiga?
Readi es un sistema de gestión del riesgo de fatiga desarrollado por Fatigue Science. Utiliza la ciencia del sueño y modelos predictivos para evaluar el riesgo de fatiga antes de que afecte a la seguridad o al rendimiento. Readi puede funcionar con datos que se llevan puestos, con datos basados en encuestas o con una combinación de ambos, lo que proporciona a las organizaciones flexibilidad a la hora de gestionar la fatiga.
¿Cuál es la precisión de Readi en la predicción del riesgo de fatiga?
Según el estudio revisado por pares, las predicciones de fatiga basadas en encuestas de Readi alcanzaron una sensibilidad de más del 90% en comparación con los modelos basados en wearables, con un error medio bajo y menos falsas alarmas. Este nivel de precisión respalda su uso en programas reales de gestión y control de la fatiga.
