Un estudio realizado en 2013 por el Departamento de Transporte de Estados Unidos (US DoT) está recibiendo una nueva atención, debido al reciente lanzamiento de ReadiML, el software de aprendizaje automático de Fatigue Science que pone en funcionamiento un modelo científico de predicción de la fatiga para su uso diario por las flotas de transporte.
En el estudio, el Departamento de Transporte de EE.UU. determinó que cuando el modelo científico predice que los maquinistas de locomotoras están gravemente fatigados, el coste de los accidentes de estos operadores es 7 veces superior al de los operadores no fatigados.
La clave de esta historia es que la "fatiga" podría predecirse antes de la operación real del vehículo, lo que abre la oportunidad de tomar medidas proactivas en las operaciones de despacho para identificar y evitar riesgos graves antes de que ocurran.
Acerca del estudio del US DoT
El estudio del Departamento de Transporte de Estados Unidos, Fatigue Status of the U.S. Railroad Industry, utilizó datos recogidos en el sector ferroviario estadounidense entre 2003 y 2005. Dentro del conjunto de datos, se compararon los registros de 731 accidentes con factor humano (HFA) únicos con el nivel de fatiga previsto de cada operador. Las predicciones de fatiga se obtuvieron utilizando el modelo biomatemático de fatiga SAFTE, que analizaba los supuestos de sueño de los operadores en los días anteriores a cada periodo de sueño. Estas suposiciones se basaban en los periodos de sueño que permitían las horas de trabajo de cada operario.
El análisis reveló la probabilidad de que se produjera un accidente por factores humanos (AFH) por cada 200.000 horas de trabajo de los operarios, en los casos de fatiga grave y, por separado, en los casos en los que no había fatiga. En los casos de fatiga grave -cuando la puntuación de eficacia SAFTE del operario era inferior a 50- la probabilidad era de 0,276. (La puntuación de eficacia SAFTE es de 0,276). (La puntuación de eficacia SAFTE se conoce ahora como ReadiScore). En cambio, en los casos sin fatiga (ReadiScore > 90), la probabilidad de HFA era sólo de 0,152.
Portanto, el riesgo de padecer un HFA era 1,82 veces mayor cuando el modelo predecía fatiga grave, casiel doble.1
Adaptado de Fatigue Status of the US Railroad Industry, Tabla 26.
Además, el estudio reveló una diferencia significativa en el coste de los accidentes ocurridos con distintos niveles de fatiga. Los accidentes ferroviarios con un operador fatigado (ReadiScore < 70) presentaron un coste medio de 1,6 millones de dólares, en contraste con un coste medio de sólo 400.000 dólares cuando no se preveía fatiga (ReadiScore > 90).2
Adaptado de Fatigue Status of the US Railroad Industry, Figura 37.
No se sabe cuánto más de 1,6 millones de dólares sería el coste medio del accidente para el subconjunto de casos de fatiga clasificados como "extremos " (ReadiScore < 50), pero es razonable suponer que el coste sería probablemente aún mayor que el del conjunto más amplio de casos de fatiga (ReadiScore < 70).
Con el supuesto conservador de que los accidentes por "fatiga extrema" no fueran más costosos que los de "fatiga elevada", la implicación es clara: los accidentes relacionados con la fatiga cuestan al menos 4 veces más, de media, que los accidentes no relacionados con la fatiga.
Combinando las estadísticas sobre la probabilidad y el coste de los accidentes, el resultado es una exposición al coste de los accidentes al menos 7,3 veces mayor cuando se trabaja con fatiga crítica (ReadiScore < 50), en comparación con el trabajo sin fatiga.
Extrapolación de los valores de los dos gráficos anteriores, cuyos datos originales proceden de Fatigue Status of the US Railroad Industry.
Desde un punto de vista macroeconómico, las horas de funcionamiento clasificadas como "fatiga extrema" (ReadiScore < 50) representaron sólo el 2% del total de horas trabajadas en el estudio, mientras que supusieron casi el 5% de los accidentes y casi el 9% de los costes de los accidentes (utilizando las hipótesis más conservadoras).
Implicaciones para la mejora de la seguridad operativa
El modelo SAFTE sigue utilizándose en la actualidad y se considera el modelo de fatiga líder en el mundo. Está disponible exclusivamente en Fatigue Science y es el núcleo de Readi, su plataforma de gestión de la fatiga basada en software que hace que las predicciones sobre la fatiga sean útiles a diario para despachadores y supervisores.
En los años transcurridos desde que se llevó a cabo el estudio del Departamento de Transporte de Estados Unidos, Fatigue Science ha mejorado notablemente la personalización de las entradas que alimentan el modelo SAFTE, lo que significa que hoy en día las predicciones de fatiga resultantes son aún más capaces de identificar el riesgo con antelación.
Un futuro brillante, impulsado por el aprendizaje automático
En la actualidad, Readi utiliza el aprendizaje automático para estimar la calidad, la cantidad y el tiempo de sueño de cada operador basándose en muchos datos personalizados, como el horario de trabajo, los registros del ELD, los datos demográficos y un cuestionario sobre el sueño. A continuación, el modelo ML de Readi analiza estos factores en relación con un conjunto de datos de casi 5 millones de horas de sueño desidentificadas, un conjunto de datos exclusivo y patentado que Fatigue Science ha recopilado a partir de wearables validados que ha desplegado con trabajadores por turnos en más de 95 países de todo el mundo.
Los gestores de flotas y los supervisores de turnos de sectores tan diversos como el transporte por carretera, la minería y otras industrias pesadas utilizan Readi a diario para intervenir de forma proactiva en casos de riesgo extremo de fatiga, antes de que surjan riesgos críticos.
En última instancia, la tecnología está salvando vidas y mejorando los registros de seguridad, al tiempo que mejora la eficiencia operativa. Por su innovación, Readi ha recibido recientemente el Premio a la Innovación en Seguridad 2022 de la Cruz Verde del Consejo Nacional de Seguridad.
Gratis - un análisis personalizado para su flota
Fatigue Science está llevando a cabo nuevas investigaciones con flotas de camiones que revelarán el mayor grado de fuerza predictiva que el modelo ML de Readi puede aportar a cada flota. Si a su flota le gustaría recibir un análisis personalizado, de forma gratuita, y/o explorar el aprovechamiento de Readi en sus operaciones de despacho, lea más aquí o póngase en contacto con uno de nuestros expertos hoy mismo.
1 Fatigue Status of the US Railroad Industry, página 63, tabla 26.
2 ibid, página 65, Figura 37
