MétaCan
Menu
Retour à la cohorte
Enregistrement W4308560456 · doi:10.1093/sleepadvances/zpac029.184

P115 Exploring the effectiveness of Fatigue Risk Management Systems

2022· article· en· W4308560456 sur OpenAlexaff
Madeline Sprajcer, Matthew J. W. Thomas, Charli Sargent, Meagan E. Crowther, DB Boivin, Imelda S. Wong, A Smiley, Drew Dawson∥

Notice bibliographique

RevueSLEEP Advances · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueOccupational Health and Safety Research
Établissements canadiensMcGill UniversityDouglas Mental Health University Institute
Organismes subventionnairesnon disponible
Mots-clésPsycINFOPsychological interventionGrey literatureScopusRisk managementSafety culturePatient safetyFlexibility (engineering)Best practiceMEDLINEWork (physics)MedicineOperations managementKnowledge managementBusinessComputer scienceEngineeringNursingManagementPolitical scienceHealth care

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Fatigue Risk Management Systems (FRMS) are increasingly being used in a range of safety-critical industries to manage fatigue-related risk. These data-driven practices use a risk-based approach to managing fatigue, rather than solely relying on prescriptive hours of work limits. However, some organisations are reluctant to implement FRMS as evidence of effectiveness is unclear. A review was undertaken to evaluate the available evidence on FRMS effectiveness, and to provide evidence-based policy guidance for FRMS use and implementation. Methods Seven electronic databases (MEDLINE (Ovid), PsycINFO, IEEE Xplore Digital Library, Scopus, Web of Science, MESH Occupational Health, NIOSHTIC II) were searched for relevant peer reviewed and grey literature. Documents were included if they addressed fatigue management interventions. Screening was performed on a total of 2129 documents, with 231 included in the final review. Results Few (n = 5) documents evaluated FRMS as a whole. However, components of FRMS (e.g., performance monitoring, fatigue detection technology, prior sleep wake behaviour assessment) appeared to improve key safety and fatigue outcomes. Discussion The effectiveness of FRMS components suggests that FRMS as a whole is likely to improve organisational safety outcomes. Key implementation enablers included organisational and worker commitment, and safety culture. Where organisations have limited resources and/or immature safety cultures, FRMS may not be appropriate. As such, we propose that a hybrid or transitional model of fatigue management (including risk-based and prescriptive components) could be implemented – so organisations can increase operational flexibility while improving safety.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,026
score de la tête « metaresearch » (Gemma)0,100
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,135

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0260,100
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,005
Bibliométrie0,0070,006
Études des sciences et des technologies0,0010,001
Communication savante0,0060,005
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0160,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,107
Tête enseignante GPT0,450
Écart entre enseignants0,343 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSLEEP AdvancesMême sujetOccupational Health and Safety ResearchTravaux en français237 207