Aplicación de las técnicas de analítica predictiva en los accidentes de trabajo - Prevención
Publicador de contenidos
Director de AJP, Asesoría Técnica y Jurídica de Prevención, S.L. · Responsable del área factor humano de AJP, Asesoría Técnica y Jurídica de Prevención, S.L.
En el contexto de la siniestralidad laboral, es clásico el recurso a la estadística como herramienta para realizar el seguimiento y análisis de la situación y tomar decisiones. Sin embargo, aún resulta habitual recurrir al análisis descriptivo y basado en indicadores reactivos de siniestralidad para la gestión preventiva. En el presente artículo se resumen las diferentes técnicas y aplicaciones que, con carácter predictivo, pueden ser de utilidad para la mejora de los procesos preventivos en las organizaciones.
La investigación que se presenta se centra en el análisis de la disponibilidad de diversas técnicas de analítica predictiva y su potencial aplicación para el estudio y mejora de la situación respecto de la siniestralidad laboral. Se analizan los precursores que, de forma previa a un evento negativo, puedan estar condicionando su probabilidad de ocurrencia. Todo ello permite, adicionalmente y gracias a la aplicación de técnicas de analítica predictiva, sentar las bases para desarrollar e implementar modelos predictivos de accidentes de trabajo.
Lee el artículo completo aquí o en Documentos relacionados.
Documentos relacionados
Referencias
1. Al-Mutairi, A. and Haight, J. M. (2009). Predicting incident rates: Artificial intelligence as a forecasting tool. "Professional Safety" vol. 54, pp. 40-48. 1.
2. Joe, J. (2010a) Mining Behavior- Based Safety Data to Predict Safety Performance. Idaho National Laboratory, Idaho Falls, USA. Probabilistic Safety Assessment & Management Conference. June.
3. Joe, J. (2010b). Comparing safe vs. at-risk behavioral data to predict accidents. Idaho National Laboratory.
4. Kim, M.C., Seong, P.H. (2005) An analytic model for situation assessment of nuclear power plant operators based on Bayesian inference. "Reliability Engineering and System Safety" XX:1–13. In press.
5. López García, J.R. (2017). Modelización de la probabilidad de accidente laboral en función de las condiciones de trabajo mediante técnicas “Machine Learning” (tesis doctoral). Universidad de Burgos.
6. Marcoulaki, E., Papazoglou, I.A. & Konstandinidou, M. (2011). Prediction of occupational accident statistics and work time loss distributions using Bayesian analysis. "Journal of Loss Prevention in the Process Industries" 25. 10.1016/j. jlp.2011.11.014.
7. Ossa, J.C. y Puche, R. (2010). Modelos bayesianos y funcionamientos inferenciales complejos. "Acta Colombiana de Psicología" 13 (2): 119-128, 2010.
8. Sarkar, S., Baidya, and Maiti, J. (2017). Application of rough set theory in accident analysis at work: A case study. 2017 Third International Conference on Research in Computational Intelligence and Communication Networks (ICRCICN), Kolkata, 2017, pp. 245-250. doi: 10.1109/ ICRCICN.2017.8234514.
9. Sarkar, S., Pateshwari, V. and Maiti, J. (2017). Predictive model for incident occurrences in steel plant in India. 2017 8th International Conference on Computing, Communication and Networking Technologies (ICCCNT), Delhi, pp. 1-5. doi: 10.1109/ICCCNT.2017.8204077.
10. Sarkar, S., Vinay, S. and Maiti, J. (2016) “Text mining based safety risk assessment and prediction of occupational accidents in a steel plant,” 2016 International Conference on Computational Techniques in Information and Communication Technologies (ICCTICT), New Delhi, 2016, pp. 439-444. doi: 10.1109/ ICCTICT.2016.7514621.
11. Silva, J. & Jacinto, C. (2012). Finding occupational accident patterns in the extractive industry using a systematic data mining approach. "Reliability Engineering & System Safety" 108. 108–122. 10.1016/j. ress.2012.07.001.
12. Predictive Analytics in Workplace Safety: Four “Safety Truths” that Reduce Workplace Injuries. White paper. Predictive Solutions Corporation (2012)
14. Sarkar, S., Pateshwari, V. and Maiti, J. (2017). Predictive model for incident occurrences in steel plant in India. 2017 8t h International Conference on Computing, Communication and Networking Technologies (ICCCNT), Delhi pp. 1-5. doi:
15. Taborda, H. (2010). Modelos bayesianos de inferencia psicológica: ¿cómo predecir acciones en situaciones de incertidumbre?. "Universitas Psychologica" 9 (2), 495-507.
McPortletPortalprevencionValoracionView
Actualidad relacionada
Osalan convoca subvenciones para la formación en prevención de riesgos laborales para los autónomos
17/05/2022 | Por Redacción
Madrid estrena el primer Programa de Impulso Territorial de la prevención de riesgos laborales
17/05/2022 | Por Redacción
MC MUTUAL mantiene su compromiso con la calidad de las actividades preventivas
12/05/2022 | Por Redacción
El IRSST impulsa la investigación, desarrollo e innovación en prevención de riesgos laborales
10/05/2022 | Por Redacción
