توسعه مدل یادگیری ماشین تفسیرپذیر برای اولویت بندی مداخلات ایمنی و بهداشت حرفه ای: تحلیل سیستماتیک عاملیت حوادث و کاربرد آن در بیمارستان شهید مطهری

بیمارستان های تخصصی، محیط هایی با ریسک بالای حوادث شغلی هستند. این پژوهش با هدف تحلیل عاملیت ریشه ای حوادث (با مدل HFACS) و توسعه یک سیستم پشتیبان تصمیم گیری هوشمند (DSS) مبتنی بر یادگیری ماشین تفسیرپذیر انجام شد تا مداخلات ایمنی و بهداشت حرفه ای در یک بیمارستان اولویت بندی شوند. هدف، ارائه توصیه های پیشگیرانه با تمرکز بر عوامل سیستمیک و نه صرفا خطاهای فردی بود. این مطالعه تحلیلی-توسعه ای بر پایه ۸۰ گزارش حادثه (سال های ۱۳۹۹-۱۴۰۳) انجام گرفت که با مدل HFACS کدگذاری شدند. از الگوریتم تقویت گرادیان برای پیش بینی تکرارپذیری حوادث و از تکنیک SHAP (Shapley Additive Explanations) برای تعیین وزن علی (سهم کمی در ریسک) هر عامل استفاده شد. نهایتا، DSS بر اساس مقادیر کمی SHAP برای شفاف سازی و اولویت بندی مداخلات توسعه یافت. مدل یادگیری ماشین با دقت ۹۰.۵٪، تکرارپذیری حوادث را پیش بینی کرد. تحلیل SHAP نشان داد که بیشترین وزن علی (۷۵٪) به عوامل ریشه ای سیستمیک تعلق دارد؛ لایه های تاثیرات سازمانی (۴۰٪) و پیش شرط های اعمال ناایمن (۳۵٪) بیشترین سهم را در ریسک داشتند. مهم ترین عامل علی، تخصیص ناکافی نیروی انسانی (۰.۷۸) شناخته شد. سیستم DSS توسعه یافته، بر مبنای این یافته ها، بازنگری فوری در ساختار شیفت بندی و افزایش کادر درمانی متخصص را به عنوان اولویت های اصلی معرفی کرد. استفاده از XAI (با ارائه شفافیت SHAP) به مدیران کمک می کند تا منابع محدود را با بالاترین اثربخشی، بر روی مداخلاتی متمرکز سازند که بیشترین سهم را در کاهش ریسک های سیستمیک دارند.

کلیدواژه ها:

تحلیل عاملیت حوادث ، سیستم پشتیبان تصمیم گیری هوشمند (DSS) ، یادگیری ماشین تفسیرپذیر (XAI) ، ایمنی و بهداشت حرفه ای ، HFACS