DOI: https://doi.org/10.1186/s40537-025-01229-z
تاريخ النشر: 2025-07-11
المؤلف: G.A. Vivian وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تستكشف هذه الورقة البحثية تطبيق تقنيات التعلم الآلي (ML) في معالجة إصابات العمل، مع التركيز على توقع المخاطر، واستراتيجيات العودة إلى العمل (RTW)، والتحليل الديموغرافي. من خلال مراجعة الأدبيات من يناير 2015 إلى يوليو 2024، تسلط الورقة الضوء على فعالية طرق التعلم الآلي التقليدية، مثل نماذج التجميع وأشجار القرار، في تحديد مخاطر الإصابات وتسهيل برامج RTW الشخصية التي تعزز نتائج التعافي مع تقليل الأعباء الاقتصادية. كما تكشف كيف يمكن لخوارزميات التعلم الآلي تحليل الفجوات الديموغرافية في معدلات الإصابات، مما يبرز الحاجة إلى تدابير سلامة مستهدفة. ومن الجدير بالذكر أن الورقة تحدد فجوات البحث المتعلقة بتقنيات التعلم الآلي المتقدمة، بما في ذلك التعلم العميق ونماذج اللغة الكبيرة (LLMs)، التي لم يتم تطبيقها بشكل واسع في هذا المجال بعد.
في الختام، تؤكد الدراسة على إمكانيات نماذج التعلم الآلي في تحسين سلامة العمل وعمليات إعادة التأهيل من خلال قدرات تنبؤية دقيقة تتجاوز الطرق التقليدية. تدير هذه النماذج بمهارة العلاقات المعقدة وغير الخطية بين المتغيرات ويمكنها تحليل مجموعات بيانات كبيرة وغير متوازنة، على الرغم من أن التحديات لا تزال قائمة في جمع البيانات ودمجها في برامج السلامة الحالية. يجب أن تركز الأبحاث المستقبلية على تطوير مجموعات بيانات شاملة تضم عوامل متنوعة تؤثر على إصابات العمل ونتائج RTW، بالإضافة إلى استكشاف تقنيات التعلم الآلي المتقدمة لتحليل البيانات غير المنظمة. سيكون معالجة الفجوات المحددة، خاصة في استراتيجيات RTW والتحليل الديموغرافي، أمرًا حاسمًا لإنشاء تدخلات شخصية وفهم التأثيرات المتعددة الجوانب لإصابات العمل عبر مختلف السكان. التعاون بين الباحثين وأرباب العمل وصانعي السياسات أمر ضروري للاستفادة من هذه النماذج التنبؤية لتعزيز بيئات العمل الأكثر أمانًا وتحسين نتائج الصحة للعمال.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية الحرجة لإصابات العمل، مع التأكيد على الحاجة إلى استراتيجيات فعالة للتنبؤ وتحديد وتخفيف هذه الحوادث. تسلط الضوء على ثلاثة مجالات بحث رئيسية: توقع عوامل المخاطر، وعمليات العودة إلى العمل (RTW)، وتحليل معدلات الإصابات عبر مختلف الفئات الديموغرافية والصناعات. يشير المؤلفون إلى دمج تقنيات التعلم الآلي كنهج تحويلي في هذا المجال، مما يمكّن من تقييمات مخاطر أكثر دقة وتدخلات مستهدفة يمكن أن تعزز بشكل كبير سلامة العمل. يتم التأكيد على الآثار المالية لإصابات العمل، حيث أفاد مكتب إحصاءات العمل الأمريكي بتكاليف مذهلة بلغت 167 مليار دولار لإصابات العمل في عام 2022، مما يوضح مدى إلحاح هذا البحث.
تتميز الورقة بأنها أول مسح شامل يركز على تطبيقات التعلم الآلي في تحليل إصابات العمل، تغطي التقدمات من يناير 2015 إلى يوليو 2024. تهدف إلى سد الفجوات الموجودة في الأدبيات من خلال استكشاف منهجيات مبتكرة، بما في ذلك التعلم العميق ونماذج اللغة الكبيرة، لتحليل بيانات السلامة غير المنظمة. يستخدم المؤلفون منهجية بحث صارمة لتجميع الدراسات ذات الصلة، مما يضمن فحصًا شاملاً للتطبيقات الحالية للتعلم الآلي في توقع المخاطر، واستراتيجيات RTW، والفجوات الديموغرافية في إصابات العمل. تهدف النتائج إلى تقديم رؤى قيمة لكل من البحث الأكاديمي والتطبيقات العملية في الصحة والسلامة المهنية، مما يسهم في تحسين النماذج التنبؤية واستراتيجيات RTW الفعالة.
نقاش
تسلط قسم النقاش في الورقة البحثية الضوء على التقدمات الكبيرة في تقاطع توقع إصابات العمل وتحليل العودة إلى العمل (RTW)، مع التأكيد على جدّة النهج المتكامل للمؤلفين. تكشف مراجعة الأدبيات الحالية عن اتجاه متزايد نحو تطبيق الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في الصحة المهنية، مع مساهمات ملحوظة من دراسات مختلفة. ومع ذلك، ركز العديد من هذه الأعمال إما على التطبيقات السريرية بشكل عام أو على قطاعات محددة، مثل البناء، دون معالجة الجوانب المجمعة لتوقع الإصابات ونتائج RTW بشكل كافٍ. يحدد المؤلفون فجوات حرجة في الأدبيات، لا سيما نقص التحليل الديموغرافي ودمج العوامل الاجتماعية والتنظيمية، التي تهدف أبحاثهم إلى معالجتها.
يصنف المؤلفون الأوراق التي تم مسحها إلى ثلاثة مجالات رئيسية: توقع المخاطر، استراتيجيات العودة إلى العمل، والتحليل الديموغرافي، مما يوفر نظرة عامة زمنية على اتجاهات البحث. استخدموا استراتيجية بحث منظمة لاختيار الدراسات ذات الصلة المنشورة باللغة الإنجليزية من يناير 2015 إلى يوليو 2024، مع التركيز على تلك التي استخدمت ML أو التحليلات التنبؤية في سياق إصابات العمل. تؤكد النتائج على أهمية دمج أنماط بيانات متنوعة وعوامل ديموغرافية لتعزيز دقة التنبؤ وقابلية التطبيق العملي في بيئات الصحة المهنية. بشكل عام، يؤكد المؤلفون أن نهجهم المتكامل يمثل مساهمة كبيرة في هذا المجال، حيث يجسر الفجوة بين توقع الإصابات وتحليل RTW مع مراعاة التأثيرات المتعددة الجوانب على هذه النتائج.
القيود
تسلط القيود في هذا المسح حول تطبيقات التعلم الآلي (ML) في أبحاث إصابات العمل الضوء على عدة مجالات حرجة لم يتم تناولها. أولاً، لم يتم تقسيم الأدبيات حسب نوع الوظيفة أو الفئة المهنية، مما كان يمكن أن يسلط الضوء على أنماط محددة للقطاعات في مخاطر الإصابات، وأهمية ميزات ML، وتباين أداء النماذج عبر صناعات مختلفة، مثل البناء مقابل النقل. ثانيًا، بينما شملت الدراسات التي تمت مراجعتها سمات إصابة عامة، فإن نقص التصنيف بناءً على مخاطر العمل المحددة أو الحالات الصحية—مثل اضطرابات الجهاز العضلي الهيكلي أو مشاكل الصحة النفسية—يحد من القدرة على استخلاص رؤى محددة للحالات.
علاوة على ذلك، لم يتم تحليل السياق الجغرافي للدراسات بشكل شامل. على الرغم من أن المسح شمل أبحاثًا من دول متعددة، إلا أنه لم يقم بإجراء تحليل مقارن للتشريعات العمالية الأجنبية، أو أنظمة التعويض، أو الاختلافات في معايير الإبلاغ عن البيانات، وكلها يمكن أن تؤثر على إمكانية تعميم نتائج ML. كما أن التركيز على الدراسات التي استخدمت صراحةً طرق ML يعني أن الأدبيات الأوسع في الصحة المهنية، التي يمكن أن تقدم رؤى نوعية أو إحصائية قيمة، تم استبعادها. أخيرًا، لا يزال التحليل الاستشرافي لنماذج اللغة الكبيرة (LLMs) والنمذجة متعددة الوسائط في هذا المجال يظل بشكل كبير تخمينيًا، حيث يفتقر إلى أساس قوي من الأدلة الحالية من أبحاث إصابات العمل.
DOI: https://doi.org/10.1186/s40537-025-01229-z
Publication Date: 2025-07-11
Author(s): G.A. Vivian et al.
Primary Topic: Occupational Health and Safety Research
Overview
This survey paper investigates the application of machine learning (ML) techniques in addressing workplace injuries, focusing on risk prediction, return to work (RTW) strategies, and demographic analysis. By reviewing literature from January 2015 to July 2024, the paper highlights the effectiveness of classical ML methods, such as ensemble models and decision trees, in identifying injury risks and facilitating personalized RTW programs that enhance recovery outcomes while minimizing economic burdens. It also reveals how ML algorithms can analyze demographic disparities in injury rates, emphasizing the need for targeted safety measures. Notably, the paper identifies research gaps regarding advanced ML techniques, including deep learning and large language models (LLMs), which have yet to be extensively applied in this field.
In conclusion, the survey emphasizes the potential of ML models to improve workplace safety and rehabilitation processes through accurate predictive capabilities that surpass traditional methods. These models adeptly manage complex, nonlinear relationships among variables and can analyze large, imbalanced datasets, although challenges remain in data collection and integration into existing safety programs. Future research should focus on developing comprehensive datasets that incorporate diverse factors influencing workplace injuries and RTW outcomes, as well as exploring advanced ML techniques for analyzing unstructured data. Addressing the identified gaps, particularly in RTW strategies and demographic analysis, will be crucial for creating personalized interventions and understanding the multifaceted impacts of workplace injuries across different populations. The collaboration among researchers, employers, and policymakers is essential for leveraging these predictive models to foster safer work environments and improve health outcomes for workers.
Introduction
The introduction of this survey paper addresses the critical issue of workplace injuries, emphasizing the need for effective strategies to predict, identify, and mitigate these incidents. It highlights three key research areas: the prediction of risk factors, return-to-work (RTW) processes, and the analysis of injury rates across various demographics and industries. The authors note the integration of machine learning techniques as a transformative approach in this field, enabling more accurate risk assessments and targeted interventions that can significantly enhance workplace safety. The financial implications of workplace injuries are underscored, with the US Bureau of Labor Statistics reporting a staggering $167 billion in costs for work injuries in 2022, illustrating the urgency of this research.
The paper distinguishes itself by being the first comprehensive survey focused on machine learning applications in workplace injury analysis, covering advancements from January 2015 to July 2024. It aims to fill existing literature gaps by exploring innovative methodologies, including deep learning and large language models, for analyzing unstructured safety data. The authors employ a rigorous search methodology to compile relevant studies, ensuring a thorough examination of current machine learning applications in risk prediction, RTW strategies, and demographic disparities in workplace injuries. The findings are intended to provide valuable insights for both academic research and practical applications in occupational health and safety, ultimately contributing to improved predictive models and effective RTW strategies.
Discussion
The discussion section of the research paper highlights the significant advancements in the intersection of workplace injury prediction and return-to-work (RTW) analysis, emphasizing the novelty of the authors’ integrated approach. The review of existing literature reveals a growing trend toward the application of artificial intelligence (AI) and machine learning (ML) in occupational health, with notable contributions from various studies. However, many of these works have either focused broadly on clinical applications or specific sectors, such as construction, without adequately addressing the combined aspects of injury prediction and RTW outcomes. The authors identify critical gaps in the literature, particularly the lack of demographic analysis and the integration of social and organizational factors, which their research aims to address.
The authors categorize surveyed papers into three main areas: Risk Prediction, Return to Work Strategies, and Demographic Analysis, providing a chronological overview of research trends. They employed a structured search strategy to select relevant studies published in English from January 2015 to July 2024, focusing on those that utilized ML or predictive analytics in the context of workplace injuries. The findings underscore the importance of incorporating diverse data modalities and demographic factors to enhance predictive accuracy and practical applicability in occupational health settings. Overall, the authors assert that their integrated approach represents a significant contribution to the field, bridging the gap between injury prediction and RTW analysis while considering the multifaceted influences on these outcomes.
Limitations
The limitations of this survey on machine learning (ML) applications in workplace injury research highlight several critical areas that were not addressed. Firstly, the literature was not stratified by job type or occupational category, which could have illuminated sector-specific patterns in injury risk, the importance of ML features, and variability in model performance across different industries, such as construction versus transportation. Secondly, while the reviewed studies included general injury attributes, the lack of categorization based on specific workplace hazards or health conditions—such as musculoskeletal disorders or mental health issues—restricts the ability to derive condition-specific insights.
Furthermore, the geographical context of the studies was not thoroughly analyzed. Although the survey encompassed research from multiple countries, it did not conduct a comparative synthesis of foreign labor regulations, compensation systems, or variations in data reporting standards, all of which could influence the generalizability of ML findings. The focus on studies that explicitly employed ML methods also meant that broader occupational health literature, which could offer valuable qualitative or statistical insights, was excluded. Lastly, the prospective analysis of large language models (LLMs) and multimodal modeling in this field remains largely speculative, lacking a solid foundation in existing evidence from workplace injury research.