DOI: https://doi.org/10.1093/annweh/wxag019
PMID: https://pubmed.ncbi.nlm.nih.gov/41914042
تاريخ النشر: 2026-03-12
المؤلف: Remy Franken وآخرون
الموضوع الرئيسي: صحة وسلامة العمل في أماكن العمل
نظرة عامة
يتناول قسم ورقة البحث قيود النماذج الميكانيكية الحالية المستخدمة في تقييم التعرض المهني ويستكشف إمكانيات تقنيات النمذجة المتقدمة، لا سيما التعلم الآلي (ML) والأساليب الهجينة مثل الشبكات البايزية، لتعزيز دقة توقعات التعرض. تم إجراء دراسة حالة لإعادة تطوير “أداة تقييم التعرض لإزالة الأسبستوس” باستخدام خمسة أساليب نمذجة مختلفة: الانحدار الخطي المتعدد، الغابة العشوائية، آلات تعزيز التدرج، الشبكة البايزية، والشبكة العصبية. من بين هذه، أظهرت الغابة العشوائية وآلات تعزيز التدرج أعلى دقة، تليها الشبكة البايزية، والانحدار الخطي المتعدد، والنموذج الميكانيكي الأصلي، والشبكة العصبية.
تشير النتائج إلى أنه بينما تظهر النماذج المتقدمة وعدًا في تحسين دقة تقييمات التعرض، يجب أن تأخذ تطبيقاتها في السياقات التنظيمية في الاعتبار القيود الكامنة، لا سيما التوازن بين الشفافية والدقة في اتخاذ القرار. قد تقدم النماذج الهجينة، مثل الشبكات البايزية، حلاً قابلاً للتطبيق من خلال دمج المعرفة الخبيرة مع الأساليب المعتمدة على البيانات، مما يعزز كل من القابلية للتفسير والأداء التنبؤي. وتخلص الدراسة إلى أن استخدام هذه التقنيات الإحصائية المتقدمة يمكن أن يؤدي إلى تطوير نماذج تعرض مهني أكثر دقة وموثوقية.
مقدمة
تناقش مقدمة ورقة البحث هذه المتطلبات بموجب تنظيم REACH الأوروبي (EC 1907/2006) للمصنعين والمستوردين لإجراء تقييمات تعرض مهني كمية. يمكن أن تستخدم هذه التقييمات إما قياسات تعرض مباشرة أو أدوات نمذجة التعرض، مع دعم التوجيه التنظيمي للأخيرة، شريطة استخدام نماذج موثقة. يتم التأكيد على أهمية نمذجة التعرض الموثوقة، حيث تلعب دورًا حاسمًا في تقييم وإدارة التعرض في مكان العمل. ومع ذلك، ظهرت مخاوف بشأن موثوقية وصلاحية النماذج المتاحة المختلفة، لا سيما لأنها يمكن أن تؤثر بشكل كبير على القرارات التنظيمية المتعلقة بسلامة العمال.
تسلط الورقة الضوء على العمل السابق الذي قام به تيشر وآخرون (2017) الذي حدد ثلاثة جوانب رئيسية لتقييم النماذج: التقييم المفاهيمي، والتحقق الخارجي، والتحليل التشغيلي. ركزت الدراسات الحديثة على هذه الجوانب، كاشفة عن تباين كبير في أداء نماذج REACH المستخدمة بشكل شائع، والتي يمكن أن تفرط في تقدير أو تقلل من مخاطر التعرض. في ضوء هذه التحديات، اقترحت الجمعية الدولية لعلوم التعرض (ISES) في أوروبا استراتيجية لتعزيز نماذج التعرض على مدى العقد المقبل، مع التركيز على تحسين النماذج وتطوير منهجيات جديدة. كما تشير المقدمة إلى التطبيق المتزايد للتقنيات الإحصائية المتقدمة وتقنيات التعلم الآلي (ML) في تقييم المخاطر الكيميائية التنبؤية، والتي يمكن أن تعالج أوجه القصور الحالية في النمذجة. تهدف الدراسة إلى استكشاف إمكانيات خوارزميات ML المختلفة لتحسين توقعات تقييم التعرض وآثارها على تقييم المخاطر التنظيمية، مقارنةً بهذه الأساليب مع المعيار الحالي، نموذج AREAT.
الطرق
يستعرض قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. يوضح معايير اختيار المشاركين، والإجراءات المحددة المتبعة خلال جمع البيانات، والأدوات المستخدمة للقياس. كما يصف القسم الأساليب الإحصائية المطبقة لتحليل البيانات، بما في ذلك أي برامج تم استخدامها للحسابات والعتبات الدلالية المحددة لاختبار الفرضيات.
بالإضافة إلى ذلك، تتضمن الطرق وصفًا للضوابط التجريبية والخطوات المتخذة لضمان موثوقية وصلاحية النتائج. يتم الاعتراف بأي تحيزات أو قيود محتملة في تصميم الدراسة، مما يوفر نظرة شاملة على الإطار المنهجي الذي يدعم نتائج البحث. يضمن هذا النهج الصارم أن الاستنتاجات المستخلصة من الدراسة قوية وصحيحة علميًا.
النتائج
في تقييم النماذج لتقدير تركيزات ألياف الأسبستوس، تم تحويل كل من العدادات المرصودة والمقدرة إلى اللوغاريتم لتحقيق توزيع طبيعي. كشفت التحليلات أن جميع أساليب النمذجة الإحصائية حسنت من ارتباط بيرسون وفسرت التباين (R²) مقارنةً بنموذج AREAT. من بين النماذج التي تم تقييمها، أظهرت الغابة العشوائية (RF) وآلات تعزيز التدرج (GBM) أقل خطأ جذر متوسط المربعات (RMSE) على البيانات المحولة لوغاريتميًا، بينما أظهرت الشبكة البايزية (BN) أقل تحيز مطلق وخطأ متوسط مطلق (MAE)، مما يشير إلى أنها كانت الأقرب إلى القيم المرصودة. ومع ذلك، عند اعتبار القيم الشاذة، تفوقت RF وGBM على BN.
أظهر التحليل الإضافي التحيز اللوغاريتمي بين التركيزات المقاسة والمقدرة، مع خطأ وسطي قريب من الصفر مما يدل على دقة تنبؤية أفضل. كان التباين في الخطأ أعلى بشكل ملحوظ بالنسبة لنموذجي AREAT والخطي، على الرغم من أن الأخير كان لديه تحيز متوسط صغير. بينما لم تكن فترات الثقة متاحة لعدة نماذج، وُجد أن نموذج AREAT كان ضمن عامل 24 من الملاحظات في 95% من الحالات، بينما كانت العوامل للنموذج الخطي، RF، GBM، الشبكة العصبية (NN)، وBN هي 16.8، 14.5، 24.5، 76.3، و50.1، على التوالي. بالإضافة إلى ذلك، كانت نسبة التقديرات التي كانت ضمن عامل 2 من الملاحظات 79% لنموذج AREAT وتراوحت من 67% إلى 85% للنماذج الأخرى، مما يشير إلى مستويات متفاوتة من الموثوقية التنبؤية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطوير وتقييم “أداة تقييم التعرض لإزالة الأسبستوس” (AREAT) باستخدام تقنيات إحصائية متقدمة وتقنيات التعلم الآلي (ML). قارن الدراسة بين خمسة أساليب نمذجة—الانحدار الخطي المتعدد، الغابة العشوائية (RF)، آلات تعزيز التدرج (GBM)، الشبكات البايزية (BN)، والشبكات العصبية (NN)—مقابل نموذج AREAT الأصلي. أشارت النتائج إلى أن RF وGBM وBN تفوقت على AREAT من حيث الدقة التنبؤية، بينما أظهرت NN نتائج مختلطة، حيث حسنت من الخطأ المتوسط المطلق (MAE) وخطأ الجذر المتوسط المربعات (RMSE) لكنها أظهرت ارتباطًا أقل مع البيانات المقاسة. فشل نموذج الانحدار الخطي، رغم كونه شفافًا، في تحسين مقاييس التقييم الأخرى.
تؤكد المناقشة على التوازن بين قابلية تفسير النموذج والقوة التنبؤية. بينما توفر نماذج ML المتقدمة دقة أفضل، فإنها غالبًا ما تفتقر إلى الشفافية، مما يعقد تطبيقها في السياقات التنظيمية التي تعطي الأولوية للتفكير الواضح وراء التنبؤات. تقدم الأساليب الهجينة مثل BN حلاً محتملاً من خلال دمج المعرفة الخبيرة مع التحسينات المعتمدة على البيانات، مما يحافظ على القابلية للتفسير مع تعزيز القدرات التنبؤية. يسمح هذا المرونة بإدماج البيانات المفقودة والتحسين المستمر للنماذج مع توفر بيانات جديدة. بشكل عام، تشير النتائج إلى أن الجمع بين رؤى الخبراء والأساليب الإحصائية المتقدمة يمكن أن يؤدي إلى نماذج تعرض مهني أكثر دقة وقابلية للتفسير، مما يتماشى مع الأطر التنظيمية ويعزز المبادرات الصحية العامة.
DOI: https://doi.org/10.1093/annweh/wxag019
PMID: https://pubmed.ncbi.nlm.nih.gov/41914042
Publication Date: 2026-03-12
Author(s): Remy Franken et al.
Primary Topic: Occupational Health and Safety in Workplaces
Overview
The research paper section discusses the limitations of current mechanistic models used in occupational exposure assessment and explores the potential of advanced modeling techniques, particularly machine learning (ML) and hybrid approaches like Bayesian Networks, to enhance exposure prediction accuracy. A case study was conducted to redevelop the “asbestos removal exposure assessment tool” using five different modeling approaches: Multiple Linear Regression, Random Forest, Gradient Boosting Machines, Bayesian Network, and Neural Network. Among these, Random Forest and Gradient Boosting Machines demonstrated the highest accuracy, followed by Bayesian Network, Multiple Linear Regression, the original mechanistic model, and Neural Network.
The findings indicate that while advanced models show promise for improving the accuracy of exposure assessments, their implementation in regulatory contexts must consider inherent limitations, particularly the trade-off between transparency and accuracy in decision-making. Hybrid models, such as Bayesian Networks, may offer a viable solution by integrating expert knowledge with data-driven methods, thereby enhancing both explainability and predictive performance. The study concludes that employing these advanced statistical techniques could lead to the development of more accurate and robust occupational exposure models.
Introduction
The introduction of this research paper discusses the requirements under the European REACH regulation (EC 1907/2006) for manufacturers and importers to conduct quantitative occupational exposure assessments. These assessments can utilize either direct exposure measurements or exposure modeling tools, with regulatory guidance supporting the latter, provided that validated models are employed. The importance of reliable exposure modeling is underscored, as it plays a critical role in workplace exposure assessment and management. However, concerns regarding the reliability and validity of various available models have emerged, particularly as they can significantly impact regulatory decisions regarding worker safety.
The paper highlights previous work by Tischer et al. (2017) that identified three key aspects of model evaluation: conceptual evaluation, external validation, and operational analysis. Recent studies have focused on these aspects, revealing considerable variability in the performance of commonly used REACH models, which can either overestimate or underestimate exposure risks. In light of these challenges, the International Society of Exposure Science (ISES) Europe has proposed a strategy for enhancing exposure models over the next decade, emphasizing model refinement and the development of new methodologies. The introduction also notes the increasing application of advanced statistical and machine learning (ML) techniques in predictive chemical risk assessment, which could address existing modeling shortcomings. The study aims to explore the potential of various ML algorithms to improve exposure assessment predictions and their implications for regulatory risk assessment, comparing these approaches to the current standard, the AREAT model.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. It details the selection criteria for participants, the specific procedures followed during data collection, and the tools used for measurement. The section also describes the statistical methods applied to analyze the data, including any software utilized for computations and the significance thresholds set for hypothesis testing.
Additionally, the methods include a description of the experimental controls and the steps taken to ensure the reliability and validity of the results. Any potential biases or limitations in the study design are acknowledged, providing a comprehensive overview of the methodological framework that underpins the research findings. This rigorous approach ensures that the conclusions drawn from the study are robust and scientifically sound.
Results
In the evaluation of the models for estimating asbestos fiber concentrations, both observed and estimated fiber counts were log-transformed to achieve normal distribution. The analysis revealed that all statistical modeling approaches improved the Pearson correlation and explained variance (R²) compared to the AREAT model. Among the models assessed, Random Forest (RF) and Gradient Boosting Machine (GBM) exhibited the lowest Root Mean Square Error (RMSE) on the log-transformed data, while the Bayesian Network (BN) demonstrated the smallest absolute bias and Mean Absolute Error (MAE), indicating it was closest to the observed values. However, when outliers were considered, RF and GBM outperformed BN.
Further analysis illustrated the log bias between measured and predicted concentrations, with a median error close to zero indicating better predictive accuracy. The variability in error was notably higher for the AREAT and linear models, despite the latter having a small average bias. While confidence intervals were not available for several models, the AREAT model was found to be within a factor of 24 from observations in 95% of cases, whereas the factors for the linear model, RF, GBM, Neural Network (NN), and BN were 16.8, 14.5, 24.5, 76.3, and 50.1, respectively. Additionally, the frequency of estimations being within a factor of 2 from observations was 79% for AREAT and ranged from 67% to 85% for the other models, indicating varying levels of predictive reliability.
Discussion
The discussion section of the research paper highlights the development and evaluation of the “asbestos removal exposure assessment tool” (AREAT) using advanced statistical and machine learning (ML) techniques. The study compared five modeling approaches—Multiple Linear Regression, Random Forest (RF), Gradient Boosting Machines (GBM), Bayesian Networks (BN), and Neural Networks (NN)—against the original AREAT model. Results indicated that RF, GBM, and BN outperformed AREAT in terms of predictive accuracy, while NN showed mixed results, improving mean absolute error (MAE) and root mean squared error (RMSE) but exhibiting lower correlation with measured data. The linear regression model, while transparent, failed to enhance other evaluation metrics.
The discussion emphasizes the trade-off between model interpretability and predictive power. While advanced ML models provide better accuracy, they often lack transparency, complicating their application in regulatory contexts that prioritize clear reasoning behind predictions. Hybrid approaches like BN offer a potential solution by integrating expert knowledge with data-driven refinements, thus maintaining interpretability while enhancing predictive capabilities. This flexibility allows for the incorporation of missing data and the continuous improvement of models as new data becomes available. Overall, the findings suggest that combining expert insights with advanced statistical methods can lead to more accurate and explainable occupational exposure models, aligning with regulatory frameworks and advancing public health initiatives.