OC
英语轻松读发新版了，欢迎下载、更新

利用机器和深度学习模拟石化工人不适温度与劳动生产率损失之间的关系

2024-11-25 10:17:29 英文原文

作者：Xiang, Jianjun

BMC 公共卫生 体积24，商品编号： 3269（2024年）引用这篇文章

抽象的

背景

工作场所不仅会增加与热有关的疾病和伤害的风险，还会降低工作效率，特别是在气候变暖的情况下。本研究旨在利用机器学习（ML）和深度学习（DL）算法来量化温度不适对石化工人生产力损失的影响，并确定关键影响因素。

方法

2023 年 5 月至 9 月，对中国福建省石化工人进行了一项横断面面对面问卷调查。使用 Lasso 回归进行初始特征选择。数据集分为训练集 (70%)、验证集 (20%) 和测试集 (10%)。评估了六种预测模型：支持向量机 (SVM)、随机森林 (RF)、极限梯度提升 (XGBoost)、高斯朴素贝叶斯 (GNB)、多层感知器 (MLP) 和逻辑回归 (LR)。最有效的模型通过 SHapley Additive exPlanations (SHAP) 进行了进一步分析。

结果

在接受调查的 2393 名工人中，58.4%（1,747 名）表示在高温下工作时生产力下降。套索回归确定了二十七个预测因素，例如教育水平和吸烟情况。所有六个模型都显示出很强的预测精度（SVM-=-0.775、RF-=-0.760、XGBoost-=-0.727、GNB-=-0.863、MLP-=-）0.738,LR≤=≤0.680）。GNB 模型表现出最好的性能，截止值为 0.869，准确度为 0.863，精密度为 0.897，敏感性为 0.918，特异性为 0.715，F1 得分为 0.642，表明其作为预测工具的有效性。SHAP 分析显示，职业健康培训（SHAP 值：-3.56）、防护措施（-2.61）和体力要求较低的工作（-1.75）与热引起的生产力损失呈负相关，而缺乏空调（1.92）、噪音（2.64）、振动（1.15）和灰尘（0.95）增加了热引起的生产力损失的风险。

结论

温度不适严重损害了石化行业的劳动生产率，如果适应和预防措施不足，这种影响可能会在气候变暖时加剧。为了有效减少高温导致的生产力损失，需要加强职业健康培训，严格职业危害控制，最大限度地减少高温与其他暴露的潜在综合影响。

同行评审报告

背景

石化行业在全球经济中发挥着至关重要的作用[1]，同时与重大健康风险相关[2]。石化工人在石化产品的生产和加工过程中面临着多种职业危害，如热应激、噪声、汽油、硫化氢等。3,4]。在这些危害中，温度不适已成为紧迫的职业健康和安全问题，特别是在气候变化的背景下[5]。研究表明，工作场所的高温暴露可能对工人的健康产生有害影响，并增加职业伤害/事故的风险。3,4,6]。长期接触高温可能会导致一些慢性健康后果，例如心血管功能障碍。7]、高血压[8]，以及免疫参数异常[9]。除了职业健康和安全[10]，来自澳大利亚的经验证据表明高温可能给全球经济带来负担[11]，影响着我们社会的各个层面。Dasgupta 及其同事发现，全球气温上升 3.0°C 可能会导致劳动力总数减少 18% [12]。然而，大多数调查与温度不适相关风险的研究都是在高收入国家/地区进行的[10]，来自易受热影响的中低收入国家的研究有限。此外，人们很少关注温度不适对石化工人劳动生产率损失的影响，而石化工人是容易患与热有关的疾病和伤害的人群。13]。

在反映工人通常面临多种危害组合的真实职业环境时，回归分析和时间序列预测等传统分析方法往往无法全面、准确地捕捉高温环境对职业的多方面影响。结果[14]。它们的局限性主要源于其内在的限制：建模非线性关系的能力有限、捕获多个变量之间相互作用的挑战以及充分处理高维数据的困难。14]。具体来说，在解决多重曝光的复杂和交互影响时，传统方法可能会忽视机器学习和深度学习技术更适合揭示的微妙模式和相互依赖性。15]。此外，机器学习和深度学习是强大的计算工具，能够分析大型数据集并探索复杂的模式和关系。16]。它们的有效性跨越不同领域，从疾病预测到医疗保健中的患者结果[17 号]，环境科学中的生态系统保护和污染评估[18,19]，以及理解心理学中的行为和认知功能[20]。

这项调查采用了多种机器学习和深度学习模型（SVM、RF、XGBoost、GNB、MLP 和 LR）来解决大规模数据分析固有的特定挑战。SVM 擅长处理高维数据，但在海量数据集上可能需要大量计算 [21]。RF 广泛用于处理大量特征和缺失值，但在噪声数据中很容易出现过度拟合[22]。XGBoost 因其速度和性能而受到重视，但缺乏可解释性并且对超参数设置敏感[23]。GNB 提供了简单性和可扩展性，但是，它假设功能之间是独立的，这通常是不现实的 [23]。MLP 可有效识别复杂模式，但由于其复杂性可能会过度拟合 [24]。相反，LR 很简单，但仅限于线性关系 [25]。考虑到这些特征，本研究采用了多模式方法，利用每个模型的优点来弥补其他模型的缺点。该方法旨在整合多个模型的结果，从而产生更准确和稳健的预测，从而提高分析过程的整体效率和可靠性。

目前，很少有研究调查温度不适对石化工人劳动生产率损失的影响，特别是通过机器学习和深度学习方法。本研究旨在基于预测模型，评估温度不适对石化工人生产力的影响，并找出影响因素。本研究结果可为石化行业的决策和热安全管理提供有价值的依据。

方法

研究设计和参与者招募

2023 年 5 月至 9 月，对中国福建省泉州泉港石化工业园 (QPIP) 的石化工人进行了横断面问卷调查。优质园区位于台湾海峡西岸、湄洲湾南岸，于2005年启动，面积约30平方公里，人口约36万。目前，QPIP已入驻石化相关企业45家，被认定为中国化工园区20强之一、国家循环转型示范园区。QPIP产业链主要包括乙烯、丙烯、四氯化碳、苯和对二甲苯，总产值约150亿美元[26]。

根据《中华民国职业病防治法》规定，用人单位应当定期组织接触职业病危害的劳动者进行职业健康检查。27]。研究期间，招募了QPIP两家龙头石化工厂的工人，在福建医科大学附属第一医院闽南分院体检中心进行职业健康检查的同时，参与面对面的问卷调查。。纳入标准为： (a) 目前在 QPIP 注册的石化工人；(b) 研究期间接受职业健康检查的劳动者；(c) 同意参与并能够提供知情同意的个人。排除标准为： (a) 18 岁以下或 65 岁以上的工人；(b) 因认知障碍或心理健康问题而无法理解调查问卷或独立完成的个人；(c) 研究开始前三个月内没有在 QPIP 工作过的工人。

训练有素的访谈员通过 iPad 管理电子问卷。参与者和访谈员之间的所有对话均被记录，输入的数据与当天的录音进行双重检查，以防止数据输入错误或错误分类。参与这项研究完全是自愿的，没有提供任何奖励。本研究经福建医科大学伦理委员会批准（批复2022—2022—111）。

问卷设计

经过广泛的文献查阅和咨询相关专家，包括石化厂的高级职业卫生师和大学职业卫生教授，我们开发了一个调查工具。该调查问卷最初以 50 名石化工人为代表样本进行试点，以确保清晰度和相关性。调查问卷包括三个部分。第一部分主要要求以下人口统计信息和个人生活习惯：性别、年龄、体重指数（BMI）、婚姻状况、教育水平、年收入、药物使用、睡眠质量、吸烟和饮酒。第二部分包括有关就业细节的问题，例如任务组、工作类别、每周工作时间、个人防护装备（PPE）的使用（例如反光背心、安全靴、头盔、手套和工作服）。通过是/否问题收集职业危害暴露信息。第三部分包括六个问题，衡量高温对工作效率的影响，采用5点李克特量表（非常不同意、不同意、中立、同意、非常同意），分值分别为1到5。总分范围为 6 至 30。在本研究中，分数在 6 至 18 之间的工人被归类为“无劳动生产率损失”，而分数在 19 至 30 之间的工人被归类为经历“劳动生产率损失”。生产力损失。具体问题请参考补充文件。该量表的 Cronbach α 系数为 0.81，表明信度良好[28]。

统计分析

进行描述性分析来表征正态分布的连续变量，以平均值±标准差（Mean±±SD）表示，而非正态分布数据则使用中位数±±报告四分位数间距 (Med±IQR)。为了比较组间定量变量的差异，采用了独立样本 t 检验。使用频率和百分比总结分类变量。卡方 (Ï2) 检验或 Fisher 精确检验用于对分类变量进行统计分析。

利用 Lasso 回归进行预测建模的特征选择。本研究应用五倍交叉验证将数据分为三个不同的组：训练（70%）、验证（20%）和测试（10%）[29]。在训练阶段，探索了六种预测算法，包括SVM、RF、XGBoost、GNB、MLP和LR。SVM：C（正则化因子）设置为1.0，核函数为sigmoid型，tol（收敛容差）为0.001。RF：标准=≤基尼≤，最大深度≤≤500，最小杂质减少≤≤0.0，并且n估计量 –= –436。XGBoost：针对二进制优化的目标函数：逻辑，学习率设置为 0.1，最大树深度上限为 6，实例权重的最小总和（最小子权重）固定为 1，L2 正则化项（reg lambda）固定为 0.5。GNB：利用 R 中 e1071 包中的 naiveBayes 函数构建模型，将先验（先验概率）设置为默认值 None，并在 1e-07 建立 var 平滑。MLP：激活函数（非线性函数）—=—logistic，隐藏层大小=（10, 10），最大迭代次数—=—10。LR：最大迭代次数（max iter）≤=≤100，正则化类型（惩罚）=≤1≤，收敛度量（tol）≤=≤0.0001，正则化因子（C）≤=≤0.123。

在验证阶段，执行超参数优化以微调每个模型。该测试集有助于使用各种指标评估模型功效，例如曲线下面积 (AUC)、准确性、精密度、敏感性、特异性、F1 分数和截止值。这些指标指导最佳模型的选择。通过 SHapley Additive exPlanations (SHAP) 值分析增强了所选模型的可解释性。使用 SPSS 软件（版本 25.0）和 R（版本 4.1.3）进行统计分析，结果以 95% 置信区间 (CI) 呈现。

关键特征提取

在应用 Lasso 回归进行变量选择之前，考虑其关键假设至关重要。套索回归是一种以其执行变量选择和正则化以防止过度拟合的能力而闻名的方法，它假设预测变量和结果之间的关系是线性和相加的[30]。另一个关键假设是误差的独立性，这意味着模型的残差彼此不相关[31]。鉴于预测变量之间存在多重共线性的可能性，这是具有众多特征的数据集中的一个常见挑战，Lasso 回归由于其正则化组件而特别擅长处理此类情况[32]。

在本研究中，我们采用 Lasso 回归来简化我们的预测模型。通过在成本函数中引入惩罚项（L1范数），Lasso回归限制了系数的绝对值，有效地将一些系数缩小到零[32]。这种正则化过程不仅通过执行特征选择来降低模型的复杂性，而且还降低了多重共线性的风险，从而增强了模型的可解释性和可靠性。33]。具体来说，我们利用了 Lasso CV 算法，该算法集成了五折交叉验证。这种方法系统地评估模型在不同数据子集上的性能，并排除系数降至零的变量[34]。这种基于交叉验证的系统排除增强了模型的稳健性和普遍性，符合我们的目标，即有效识别因温度不适而影响石化工人生产力损失的关键因素。

机器和深度学习模型的构建

为了解决温度不适的多方面性质以及相关的生产力损失，本研究采用了各种机器学习模型。鉴于基于其架构和基本假设的不同算法固有的独特优势和偏差，利用各种分析工具有助于选择最佳模型以确保稳健的预测。本研究采用以下六种模型来探讨温度不适和生产力损失的预测效率：（1）支持向量机（SVM）：该模型在处理高维数据方面表现出很强的泛化能力，特别擅长求解非线性问题[21];（2）随机森林（RF）：作为集成学习技术的一部分，RF可以处理大量特征，提供高精度的分类并具有良好的抗噪性[22];（3）极限梯度提升（XGBoost）：决策树的增强版本，XGBoost通过构建多个模型来优化性能，以处理大型数据集和复杂模式识别而闻名。23];(4)高斯朴素贝叶斯(GNB)：适用于数据量较小或已知分布的环境，该方法易于实现且执行迅速[35];（5）多层感知器（MLP）：一类深度神经网络，适用于具有复杂特征相关性和多层的问题，它可以学习数据更深层的表示[24];（6）逻辑回归（LR）：虽然是一种更传统的技术，但它在二元分类问题中表现出稳定且可解释的性能[25]。

变量显着性评估

机器学习和深度学习模型通常被认为是不透明的，因为理解这些算法如何为特定群体生成精确预测非常复杂。为了应对这一挑战，我们的研究采用了 SHAP（SHapley Additive exPlanations）值，这是一个最初源自合作博弈论中的 Shapley 值的综合框架。36]。

SHAP 值提供了一个源自合作博弈论中 Shapley 值的强大框架 [37]。这些值通过阐明模型中的每个特征如何单独以及与其他特征结合对预测结果做出贡献，提供了一种稳健的方法。37]。这种根据特征的贡献按比例分配“支付”（预测输出）的能力使我们能够剖析复杂的 ML 和 DL 模型的决策过程。因此，这种详细的剖析有助于确定在石化行业高温条件下对工作效率产生不利影响的主要决定因素。

实际上，SHAP 值评估每个特征对任何给定实例的预测准确性的边际贡献[38]。对于我们的最佳模型，这意味着确定哪些变量对因温度不适而导致的生产力损失影响最大。通过检查特征之间对输出的贡献的相互作用，SHAP 还可以指导理解在传统统计甚至某些机器学习评估中可能并不明显的协同效应。

结果

受影响和未受影响工人的人口特征比较

本次研究共招募了 3000 名工人参与调查，其中 2586 人接受，参与率为 86.20%。共完成有效问卷2393份，有效问卷率为92.54%。如表所示 1，大多数受访者（1,747 人，58.37%）表示在高温条件下工作时生产力下降。此外，与女性员工相比，男性员工更有可能因高温暴露而导致生产力下降。

绝大多数参与者为汉族（99.12%），汉族工人自述因高温暴露导致生产力损失的比例高于少数民族工人（9 名满族、11 名回族和 1 名畲族）（磷≤=≤0.008）。参与者的平均年龄为 38.07±11.15 岁，受热相关生产力损失影响和未影响的人之间年龄没有显着差异（磷≤=≤0.192）。然而，观察到体重指数的变化。总体平均BMI为24.37±±3.82 kg/m2。在 BMI 正常的工人中，那些报告生产力下降的工人的 BMI 高于那些没有生产力损失的工人（21.81±±1.41 vs. 21.51±±1.51，磷≤=≤0.001）。同样，在肥胖类别中，受影响的工人的 BMI 也高于未受影响的工人（30.95±±4.87 vs. 30.12±±1.91，磷≤=≤0.042）。然而，正常组和超重组之间的体重指数没有显着差异（磷≤>≤0.005)。

两组之间的教育水平存在显着差异。未受影响的工人受教育程度较高，其中中等及以下学历（21.67% vs. 26.94%）和研究生学历（1.70% vs. 2.00%）的人数较多。这种差异具有统计显着性，表明教育程度可能会影响由于热暴露而导致生产力下降的敏感性。与受影响工人（67.37%）相比，未受影响工人的已婚比例更高（73.22%）（磷≤=≤0.028）。此外，与未受影响的工人相比，受影响的工人的慢性病患病率更高（23.93% vs. 16.10%，磷≤<≤0.001），其中高血压最常见（87.21%），其次是糖尿病（12.79%）。与饮酒频率较低的员工相比，每月至少饮酒一次的员工生产力下降的比例更高。两组之间的吸烟习惯没有显着差异（磷≤=≤0.872）。然而，与未受影响的工人 (7.59%) 相比，受影响工人 (10.36%) 的药物使用率明显更高。

表1 人口统计特征n受访石化从业人员（%）

表 2强调了职业因素与高温引起的劳动生产率损失之间的显着相关性。从工作性质来看，芳烃及烯烃生产工人因受热导致劳动生产率损失的比例最高，为81.33%，其次为炼油业（76.64%）、储运业（74.34%）和服务业。（68.32%）。与未受影响的工人（13.91±±11.27 年，磷≤=≤0.041）。每周工作时间也观察到类似的模式，受影响工人的工作时间（48.92±±6.55 小时）比未受影响工人（44.45±±7.62 小时）更长，磷≤=≤0.048）。无论是室内一线工人（74.42%）还是室外一线工人（73.25%），因高温导致的劳动生产率损失比例均显着高于管理或督导人员（69.52%）。工作场所绿化并未显着影响因高温而导致的生产力损失（磷≤=≤0.25）。电风扇和空调等热控制措施的存在与生产力损失显着相关（磷≤=≤0.017）。接触振动、噪声、灰尘、烟雾和油雾等职业危害是工作效率的重要决定因素，接触这些因素的工人始终表现出较高的劳动生产率损失（磷–< –0.001)。身体劳损程度与劳动生产率下降呈正相关。工人不需要在密闭空间内操作（n～=～1923年, 80.36%,磷≤<≤0.001）和接受过职业卫生培训的人员（n≤=≤2213, 92.48%,磷–< –0.001) 报告工作效率下降较少。使用个人防护装备的工人 (75.07%) 的生产力损失比例高于不使用个人防护装备的工人 (44.79%)。

表2 职业信息n受访石化从业人员（%）关键变量的选择

为了最大限度地减少各种预测变量之间的多重共线性，采用套索回归对所有调查变量进行降维，从而促进关键特征的提取。

Lasso CV 从最初的一组变量中确定了 27 个重要因素，包括教育水平、婚姻状况、健康状况、吸烟、工作中体力活动的性质、睡眠困难的频率、睡眠质量和疲劳程度。通过交叉验证确定的最佳 lambda 值为 0.004。值得注意的是，教育水平、个人防护装备的使用、空调的使用情况和职业健康培训等变量都被赋予了很大的权重，如图所示。 1。

图1
figure 1

针对温度不适和劳动生产率的套索回归特征选择。（一个) 27 个预测变量的 Lasso 系数的空间分布由不同颜色的线表示，每个颜色代表一个不同的预测变量。（乙) 套索系数路径被绘制为对数变换正则化参数 (lambda) 的函数。与特定 lambda 值相关的最佳模型参数用红色标记突出显示。

ML 和 DL 模型的比较

表 3显示所有模型的 AUC (95% CI)、准确性、敏感性、特异性、F1 分数、截止值和其他指标。GNB 模型表现出最高的 AUC 为 0.722（95%CI：0.680±0.763），并实现了 86.3% 的最佳准确度和 91.8% 的灵敏度，尽管它的特异性相对较低，为 71.5%，如表所示。 3;图。 2。同样，SVM 模型表现出一致的预测能力，AUC 为 0.693（95%CI：0.647-0.738），相应的准确度、灵敏度、特异性和 F1 分数分别为 77.5%、57.1%、91.5% 和分别为 67.3%。RF、XGBoost、MLP 和 LR 模型的 AUC 值为 0.646 (95% CI: 0.601–0.690)、0.643 (95% CI: 0.596–0.689)、0.692 (95% CI: 0.648–0.648)0.736), 和 0.720(95%CI: 0.677–0.763) 分别。尽管 XGBoost 的灵敏度最高，为 97.9%，但其特异性率明显较低，为 55.4%，这表明存在潜在偏差。

表3 不同模型在训练集和验证集的性能比较
图2
figure 2

SVM、RF、XGBoost、GNB、MLP 和 LR 模型在训练、测试和验证集上的 ROC 曲线。该图显示了使用 ROC 曲线和 AUC 值在三个不同数据集分区（训练、测试和验证）中对六个著名机器学习模型的评估。评估的模型包括支持向量机 (SVM)、随机森林 (RF)、极限梯度提升 (XGB)、高斯朴素贝叶斯 (GNB)、多层感知器 (MLP) 和逻辑回归 (LR)。ROC 曲线表示不同阈值水平下真阳性率（灵敏度）与假阳性率（1-特异性）的图形比较，提供所有分类阈值下模型性能的聚合度量。较高的 AUC 值表示模型准确区分类别的卓越能力。这种比较可视化有助于对每个模型在不同数据段的预测效率和通用性进行批判性分析，强调模型选择在机器学习分类任务应用中的重要性

在验证集中，GNB 模型继续表现良好，AUC 为 0.681（95%CI：0.670±0.794），准确率为 82.5%。其他模型如 SVM、RF、XGBoost、MLP 和 LR 的 AUC 值为 0.662 (95% CI: 0.594–0.730)、0.663 (95% CI: 0.598–0.729)、0.660 (95% CI:0.594–0.727),分别为 0.678 (95% CI: 0.613–0.743) 和 0.687 (95% CI: 0.623–0.751)。MLP 模型在验证集上表现中等，准确率为 72.1%，F1 分数为 80.1%。总体而言，GNB 模型优于其他模型，被选为分类建模的首选，其次是 LR 和 SVM 模型。因此，选择GNB模型来构建SHAP模型以增强可解释性。

特征重要性可视化

为了评估各种特征变量对模型输出的影响，我们应用 SHAP 值来解释本研究中使用的 GNB 模型。特征根据其平均 SHA 值按影响力降序排列。如图所示 3，职业健康培训被认为是影响高温下石化工人生产力的最显着因素（SHAP=-3.56），其次是噪声暴露（SHAP=-2.64）和防护措施的可用性（SHAP=-2.64）。=-2.61）。在这些条件下显着保留工作效率的保护因素包​​括职业健康培训（SHAP = -3.56），实施保护措施（SHAP = -2.61），从事身体要求较小的角色（SHAP = -1.75），是女性（Shap = -1.75）（SHAP =-1.37），进行中午休息（SHAP = -0.53），属于较高的收入括号（SHAP = -0.57）。相反，对工作效率产生负面影响的因素包括缺乏空调（Shapâ= 1.92），持续噪声（Shapâ= 2.64），暴露于振动（Shapâ= 1.15）），并暴露于灰尘和烟雾中（Shapâ= 0.95）。其他有害影响包括工作环境诱发疲劳（Shapâ= 0.49），睡眠质量差（Shapâ= 0.98），参与物理疲惫的任务（Shapâ= 0.81），较长的每周工作时间（Shapâ= 1.10），BMI较高（Shapâ= 0.59），在狭窄的空间中工作（Shapâ= 0.80）。这些因素共同促进了劳动生产率的大幅降低。

图3
figure 3

石化工人生产率损失的GNB模型的Shap摘要图。（一个）对石化工人生产率的影响对石化工人的影响：本图说明了特征形状值与工人生产率之间的关系。具有较大外形值的特征对提高生产率的增强产生了更大的影响，这是从轴上从蓝色（较低的影响）到整个轴的红色（较高影响）的过渡。（乙）特征重要性景观：根据平均绝对形状值表现出特征的排名重要性，对每个功能对预测精度的贡献进行定量分析

讨论

石化行业在全球经济和增长中起着重要作用[39]。气候危机强调了迫切需要评估温度上升对劳动生产率损失的影响。这项研究的结果表明，热量暴露显着降低了石化工人的效率，这对于满足不断增长的能源需求至关重要。这项研究使用了复杂的机器学习和深度学习技术，研究了由于石化工人的热量暴露而引起的自我报告的生产力损失。此外，通过对表现最佳模型（GNB）的Shap价值分析，本研究确定了在热环境中工作时损害生产力的关键因素：与热有关星期。这项研究的结果可能会为制定有针对性的策略的发展提供宝贵的见解，以增强工人的热量恢复能力并在不断变化的气候带来的挑战中维持持续的生产力。

模型构建与评估

这项研究应用了一系列的机器学习，深度学习和常规统计方法，以构建各种模型，以研究影响暴露于职业高温的石化工人的工作效率的因素。我们的发现表明，六个模型中的每一个都表现出值得称赞的真实性，可靠性和预测效率，而GNB模型显示出最高的疗效，其次是LR，SVM和MLP，而RF模型在这项研究中显示出最低的功效。在这项研究中，GNB模型的出色性能与Taghizadeh等人的发现一致。[40]。同样，Lips等。发现LR模型的表现优于MLP算法[41]，这与我们的结果一致。尽管MLP模型具有强大的非线性映射，自我学习和适应性功能，但Boudreault等人。指出它在夏季建模期间挣扎[18]，这一发现与我们的研究相呼应。此外，Boudreault等人。观察到使用较大数据集的校准得到了改进，这表明需要进一步验证以评估性能。Marien等人使用各种机器学习和深度学习方法对心肌梗塞的年度建模进行了研究，发现MLP模型的功效超过了RF [42]，与我们的研究结果相似。RF模型旨在通过降低差异而不是偏差来最大化预测精度，但已因其强大的预测能力而被认可，如Stretch等人所确定的。rf [43]，证实我们研究的结果。

影响因素的分析

与热有关的训练

这项研究发现，在高温环境中工作时，接受了足够的职业健康培训的工人可以更好地控制热应力，从而降低了热量的生产率损失。遵守预防热措施对于缓解温度不适对生产力的不利影响至关重要[44]。暴露于高温的工人可能会遇到各种健康问题，包括耗尽热量[45]， 中风 [46]和肾结石病[47]。积极的保护策略，例如穿透气，吸湿和散热的工作服装；定期休息以进行水合；维持适中的工作强度可以有效预防和减轻由于温度不适而导致的这些健康问题。

此外，加强职业健康培训和保护措施对于长期职业发展至关重要。Harsini等人的随机对照试验。发现大约90％的工作场所事故是由于不安全的行为[48]，强调迫切需要立即实施强大的职业健康教育计划。始终暴露于高温环境的工人容易受到持续的热暴露的累积健康影响。但是，通过职业健康教育，他们可以学习如何减少和管理热暴露的影响，从而减少或阻止潜在的健康问题加剧。因此，在工作场所对职业安全和健康管理的坚定承诺既重要又紧急。

每周工作时间

我们发现每周工作时间的持续时间是影响劳动生产率损失的重要决定因素。延长的工作时间和工作强度会加剧对石化工人的身体压力，从而对其工作绩效和生产力产生负面影响。证据表明，休假时间与高温工作中职业伤害的发生率之间存在反比关系[49]。同样，李的研究表明，在高温下工作时间与劳动生产率丧失之间存在反比相关[50]，与我们研究的发现保持一致。导致这种关系的潜在因素包括：增强身体和精神疲劳[6]，减少注意力，增加心理负担[51]和增强的心理压力，所有这些都会在炎热条件下损害工作效率。

此外，温度不适可能会降低人体的生理适应能力，影响体温调节和心血管系统等功能[52]，进一步影响工人的运营状态和效率。因此，在管理实践中，必须安排合理的工作时间，避免过度持续的工作期间，并提供足够的休息和调整措施，以提高高温环境中工人的效率和健康状况。

共同暴露于其他职业危害

石化工人通常在工作场所同时面临多种类型的职业危害。我们的发现表明，暴露于高温的石化工人的效率也受到职业危害（例如噪声，振动，灰尘和烟雾）在生产操作期间遇到的。暴露于这些职业危害不仅对工人健康产生不利影响[53]，例如因噪声损坏耳膜[54]，振动受到神经和循环系统的损害[55]，呼吸道疾病，但也导致心理疲劳，焦虑和压力反应，这反过来又会损害工人的集中和心态[56]。长时间暴露于灰尘和烟雾也可能引起工人的情绪波动和不适[56]，进一步降低工作效率。

噪声，灰尘，烟雾和振动等职业危害的综合影响以及热量可能会产生复杂的风险环境，从而显着影响石化工人的健康和效率。暴露于多种危害的工人更容易受到伤害，因为他们的身体承受着更大的压力，因此很难调节温度并保持水分[57]。在嘈杂和炎热的环境中，工人可能会感到更高的不适，从而导致更快的疲劳和浓度降低。无法在嘈杂的环境中有效沟通也可以防止及时干预与热有关的疾病。由于呼吸率的提高，在炎热条件下更有可能在炎热条件下吸入粉尘颗粒，这可能会加剧呼吸系统疾病[58]。热可以增加某些化学物质的挥发性，从而导致吸入和吸收有毒物质[59]。在炎热条件下，操作振动机械的物理应变会放大，从而更快地发作疲劳，生产率降低以及错误和事故的可能性更高。因此，有效的管理策略和技术措施，包括改善工作环境，提供基本的个人保护设备，进行健康监测以及提供相关培训，对​​于维护高温环境中石化工人的健康和工作效率是必要的。

个人特点

此外，我们发现了个人特征，包括教育水平，性别，睡眠质量，婚姻状况，疾病存在，BMI和年收入，对工人的生产力产生了重大影响。这些发现强调了各个特征对工作绩效的潜在影响。关于性别差异，这项研究表明，男性工人更容易受到高环境温度的影响，这在早期研究中得到了麦金尼斯的支持[60]。首先，男人经常比女性更艰巨的任务[61]，需要增加身体锻炼和耐力。在高温环境中，热应力加剧了身体的负担，使它们更容易疲劳和能量损失。其次，男性在生理上对高温更敏感。与女性相比，男性被证明具有较差的温度调节能力[62,63]，使它们更容易受到与热有关的疾病的影响。这可能会导致高温环境中的不适和疲劳，从而影响工作效率。此外，在热应激条件下，雄性表现出较高的汗水产生[64]。出汗有助于耗散热量，但出汗过多会导致液体流失和脱水，最终影响身体功能和浓度[65]。这些因素可能导致高温环境中男性石化工人的工作效率降低。然而，重要的是要注意，这些观察结果代表了一般趋势，并且个人可变性仍然存在。实施适当的保护方案，明智的工作重点周期和全面的健康教育对于减轻高温条件对男性石化工人的影响至关重要。

关于BMI，这项研究观察到，与没有生产力损失的工人在正常的BMI组和肥胖者组中相比表现出更高的BMI水平。李等人。表明BMI可以降低热环境中的劳动生产率[50]，这与本研究的结果一致。这一发现与Giersch等人的研究保持一致，该研究记录了施用热应激（EHS）和BMI之间的正相关性，表明BMI的EHS风险增加了3％[BMI [66]。这些观察结果背后的原因可能是多因素。一种可能的解释是较高的BMI施加的生理负担，这会加剧心血管[67]和代谢菌株[68]在身体劳累期间，从而降低了工作效率。此外，BMI较高的个体可能会降低热量耗散的能力[69]，增加了他们对热相关压力的敏感性及其随后对生产率的影响。与肥胖相关的生物力学无效率也可能导致更快的疲劳发作[70]，影响整体工作表现。进一步的研究对于阐明详细机制并探索潜在的战略干预措施以减轻这些影响至关重要。

有趣的是，本研究中的单变量分析结果表明，饮酒与工人的生产力损失有关。但是，与从未喝酒的人相比，几乎每天喝的工人的生产率损失率较低。从理论上讲，酒精会加剧热应变并随后降低工作效率[57]。但是，工作场所中的多个因素与生产率损失有关，例如工作需求和热控制措施。大多数每天喝酒的参与者都是一线工人。可能，他们没有报告真相，因为在工作场所禁止喝酒，尤其是对于石化工人而言。此外，在这项研究中，只有33名工人每天都报告“饮料”。相对较小的样本量也可能导致这种现象。如果将酒精消耗分为两种选择（每月少一次，每月至少一次），我们发现工人每月至少喝一次每月喝一次的生产率损失百分比较高，而饮酒频率较低。由于一线工人往往具有更高的身体工作量，因此他们更容易受到热应变和相关的生产力损失[71]。因此，进一步调查职业环境和责任的作用可能会提供更深入的见解，以了解可以减轻由于饮酒而减轻生产力损失的策略。

关于睡眠质量对工作效率的影响，Tawatsupa等人的研究。已经证明，热环境中的睡眠质量在整体生产力中起着至关重要的作用[72]，这与当前研究的发现一致。充分和恢复性睡眠对于所有身体系统的恢复和调节至关重要[73]。在高温条件下，石化植物工人可能会遇到增加物理疲劳和脱水。高质量的睡眠对于恢复身体能量，维持生理稳定以及保持情绪平衡和认知功能至关重要。相反，睡眠不佳会加剧身体上的疲惫，减少耐力，并导致焦虑增加，压力增加和情绪变化更大[74]，所有这些都在工作时间内导致次优状态，以及在维持工作效率方面的困难。

局限性

这项研究具有应确认的某些局限性。首先，这项研究是在Quang的，该区域以亚热带气候为特征，该区域可能会限制调查结果对气候条件不同的地区的普遍性。其次，热舒适基本上取决于外部气候条件，工作服，使用PPE和个人适应性。在这项研究中，通过自我报告的问卷调查收集了热暴露和其他职业危害暴露信息。就暴露水平而言，这是召回偏见的潜在风险。此外，我们没有向工人询问他们在工作场所穿着的特定类型的PPE和工作服。不同类型的PPE和工作服可能会对热舒适性和与热量相关的劳动生产率损失产生不同的影响，这是必要的。第三，某些药物（例如利尿剂，β受体阻滞剂，抗胆碱能药物和抗精神病药）可以调节体温调节功能，从而导致过度的生理菌株和使工人倾向于不利的健康状况[75]。不同药物对热相关生产力损失的影响可能会有所不同，具体取决于多种因素，例如药物类型，剂量和使用时间。但是，在这项调查中，我们没有收集此特定信息。

结论

这项研究强调，由于工作场所的热量暴露，石化工人的工作效率显着下降。为了减轻在气候变化的情况下归因于热量的可能增加的生产率损失，必须考虑几种主动的措施。这些可能包括改善职业健康培训，实施严格的噪声污染控制措施，建立气候控制的工作环境，适应劳动力密集的任务以及加强石油化学行业的教育计划。有必要确定这些计划的优先级，以更好地维护挑战性的环境条件下石化行业工人的福祉和生产力。

数据可用性

数据在手稿或补充信息文件中提供。数据集可根据合理的要求从通讯作者那里获得。

缩写

支持向量机：

支持向量机

射频：

随机森林

XGBoost：

极限梯度提升

GNB：

高斯朴素贝叶斯

MLP：

多层感知器

LR：

逻辑回归

Shap：

Shapley 加法解释

机器学习：

机器学习

DL：

深度学习

参考

  1. Tong R，Yang Y，Shao G，Zhang Y，Dou S，Jiang W.排放来源和概率健康风险是中国海南的一家石化炼油厂生产区域发出的挥发有机化合物的挥发性有机化合物。Hum Ecol风险评估：INT J. 2020; 26（5）：1407 27。https://doi.org/10.1080/10807039.2019.1579049

    文章一个 中科院一个 谷歌学术一个 

  2. Tong LZ，Pu ZM，Chen K，Yi JJ。可持续维护供应商的绩效评估基于石化行业的扩展模糊Promethee II方法。清洁生产杂志。2020；273。httpshttps://doi.org/10.1016/j.jclepro.2020.122771

  3. Sevan G，Pouya M，Ehsan A，Hoda N，Abbas Abbas R，HamidM。毒性炼油厂的生物学处理通过硫氧化真菌在低稀释下花费硫化炼油。环境化学工程杂志。2018。httpshttps://doi.org/10.1016/j.jece.2018.04.026

  4. Zhang Y，Liu Y，Li ZX，Liu X，Chen QF，Qin JY，Liao QL，Du R，Deng QF，Xiao YM等。甲苯，乙烯，二甲苯和苯乙烯（Texs）的噪声和混合物的共同曝光对中国南部石化工人的听力损失的影响。环境科学污染研究所。2023; 30（11）：31597 607。https://doi.org/10.1007/s11356-022-24414-6

    文章一个 中科院一个 谷歌学术一个 

  5. Rathod SB，Sorte SR，PatelS。高温对钢植物炉工人中心血管自主功能测试的影响。印度职业环境医学杂志。2021; 25（2）：67 71。https://doi.org/10.4103/ijoem.ijoem_193_20

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  6. Martãnez-Solanasâ，Lã³pez-Ruiz M，Wellenius GA，Gasparrini A，Sunyer J，Benavides FG，Basagaã±A X.评估环境温度对西班牙职业伤害的影响。环境健康视角。2018; 126（6）：067002。https://doi.org/10.1289/ehp2590

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  7. Wang L，Yu M，Zhang S，Li X，Yuan J.中国钢铁工人中职业热应激和噪声暴露与颈动脉粥样硬化的关联：横断面调查。国际环境研究公共卫生杂志。2021; 19（1）。https://doi.org/10.3390/ijerph19010024

  8. Zhou F，Shrestha A，Mai S，Tao Z，Li J，Wang Z，Meng X.职业噪声暴露与高血压之间的关系：钢厂中的横断面研究。美国工业医学杂志。2019; 62（11）：961â8。https://doi.org/10.1002/ajim.23034

    文章一个 考研一个 谷歌学术一个 

  9. Jafari MJ，Pirposhteh EA，Dehghan SF，Khodakarim S，Jafari M.铸造工人之间的热应激暴露与某些免疫学参数之间的关系。国际生物气象学杂志。2020; 64（5）：853 - 61。https://doi.org/10.1007/s00484-020-01874-4

    文章一个 考研一个 谷歌学术一个 

  10. Borg MA，Xiang J，Anikeeva O，Ostendorf B，Varghese B，Dear K，Pisaniello D，Hansen A，Zander K，Sim MR等。澳大利亚的当前和预计的热浪侵害职业伤害，疾病和相关的经济负担。环境资源部。2023; 236（PT 2）：116852。https://doi.org/10.1016/j.envres.2023.116852

    文章一个 中科院一个 考研一个 谷歌学术一个 

  11. Borg MA，Xiang J，Anikeeva O，Pisaniello D，Hansen A，Zander K，Dear K，Sim MR，BI P.职业热压力和经济负担：全球证据的综述。环境资源部。2021; 195：110781。https://doi.org/10.1016/j.envres.2021.110781

    文章一个 中科院一个 考研一个 谷歌学术一个 

  12. Dasgupta S，Van Maanen N，Gosling SN，Piontek F，Otto C，Schleussner CF.气候变化对劳动生产力和供应的联合效果：一项经验性的多模型研究。柳叶刀星球健康。2021; 5（7）：e455 - 65。

    文章一个 考研一个 谷歌学术一个 

  13. Shen RZ，Ye ZC，Gao J，Hou YP，Ye HC。全球气候变化风险感知：与石油和肝病的相关性：一项荟萃分析。生态毒性环境安全。2018; 166：453 - 61。https://doi.org/10.1016/j.ecoenv.2018.09.080

    文章一个 中科院一个 考研一个 谷歌学术一个 

  14. Shin-li L.将启发式时间序列与台湾可再生能源的改良灰色预测相结合。可再生能源。2019。HTTPShttps://doi.org/10.1016/j.renene.2018.08.092

  15. Wang Z，Han YM，Li CF，Geng ZQ，Fan JZ。输入输出网络考虑基于Graphlet的生产优化分析：在乙烯植物中的应用。清洁生产杂志。2021 年；278。httpshttps://doi.org/10.1016/j.jclepro.2020.123955

  16. Yang L，Liu X，Zhu W，Zhao L，Beroza GC。通过深度学习的噪声抑制，朝着改善城市地震监测。科学高级。2022 年；8（15）：EABL3564。httpshttps://doi.org/10.1126/sciadv.abl3564

  17. Lee M，Yeo NY，Ahn HJ，Lim JS，Kim Y，Lee SH，OH MS，Lee BC，Yu KH，KimC。使用机器学习后急性缺血性中风后冲程后认知障碍的预测。阿尔茨海默病研究中心。2023; 15（1）：147。https://doi.org/10.1186/s13195-023-01289-4

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  18. Boudreault J，Campagna C，Chebana F.建模热健康关系的机器和深度学习。科学总环境。2023; 892：164660。https://doi.org/10.1016/j.scitotenv.2023.164660

    文章一个 中科院一个 考研一个 谷歌学术一个 

  19. Li X，Zhao Y，Zhang D，Kuang L，Huang H，Chen W，Fu X，Wu Y，Li T，Zhang J等。开发与重金属暴露相关的可解释的机器学习模型，从2003年至2018年的美国成年人中识别美国成年人中的冠状动脉疾病。2023; 311（PT 1）：137039。https://doi.org/10.1016/j.chemosphere.2022.137039

    文章一个 中科院一个 考研一个 谷歌学术一个 

  20. Ogata S，Takegami M，Ozaki T，Nakashima T，Onozuka D，Murata S，Nakaoku Y，Suzuki K，Hagihara A，Noguchi T等。通过机器学习，天气信息和12小时热触及警报的全群人注册表进行的热程预测。纳特·康姆.2021; 12（1）：4575。https://doi.org/10.1038/s41467-021-24823-0

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  21. Sun DL，Gu Qy，Wen HJ，Xu JH，Zhang YL，Shi SX，Xue MM，Zhou XZ。根据不同的机器学习算法和杂种因子筛选和样品优化的绘制单元，评估沿着山地高速公路的滑坡敏感性。冈瓦纳水库2023; 123：89 106。https://doi.org/10.1016/j.gr.2022.07.013

    文章一个 谷歌学术一个 

  22. Hu JC，SzymczakS。与随机森林进行纵向数据分析的综述。简短的生物信息。2023; 24（2）。https://doi.org/10.1093/bib/bbad002

  23. Jannusch K，Dietzel F，Bruckmann NM，Morawitz J，Boschheidgen M，Minko P，Bittner AK，Mohrmann S，Quick HH，Herrmann K等。Eur J Nucl Med Mol Imaging。2023 年。https://doi.org/10.1007/s00259-023-06513-9。基于临床数据和成像数据的乳腺癌患者预测乳腺癌患者的治疗反应，这些数据是从breastâ<supâ> 18 f fdg-pet/MRI中得出的

  24. Ali R，Hussain J，Lee SW。基于多层的自我护理对残疾儿童的早期预测。数字健康。2023; 9：20552076231184054。https://doi.org/10.1177/20552076231184054

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  25. Xiong Y，Ma Y，Ruan L，Li D，Lu C，Huang L.比较预测COVID-19的不同机器学习技术。感染贫困。2022; 11（1）：19。https://doi.org/10.1186/s40249-022-00946-4

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  26. Quang石油化学工业园。http://www.enquanzhou.com/2019-11/19/c_425637.htm#:~: text=quangang石化％20工业％20PARK％20is，base％20in％20quanzhou％2âc％20fujian％20Province。

  27. Wang B，Wu C，Kang LG，Huang L，Pan W.中国第13个五年计划（第13 FYP）时期的新挑战，目标和任务是什么？J 职业健康。2018; 60（3）：208 28。https://doi.org/10.1539/joh.2017-0275-ra

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  28. De Vet HCW，Mokkink LB，Mosmuller DG，Terwee CB。Spearman-Brown的预言配方和Cronbach的Alpha：可靠性的不同面孔和新应用的机会。J 临床流行病学杂志。2017; 85：45 9。https://doi.org/10.1016/j.jclinepi.2017.01.013

    文章一个 考研一个 谷歌学术一个 

  29. Zhang Y，Xu J，Zhang C，Zhang X，Yuan XL，Ni WQ，Zhang HM，Zheng YJ，Zhao ZG。中国老年人对痴呆症的社区筛查：一种基于机器学习的策略。BMC 公共卫生。2024; 24（1）。https://doi.org/10.1186/s12889-024-18692-7

  30. Mao YK，Weng JY，Xie QY，Wu LD，Xuan YL，Zhang J，Han J.美国人口中饮食炎症指数与中风之间的关联：NHANES 1999年的证据。BMC 公共卫生。2024; 24（1）。https://doi.org/10.1186/S12889-023-17556-W

  31. 穆勒（Mueller-using S），费尔德（Feldt T），萨尔福（Sarfo）FS，埃伯哈特（Eberhardt KA）。与加纳艾滋病毒阳性患者进行结核病筛查相关的因素：大型公共卫生数据集中的基于套索的预测因子选择。BMC 公共卫生。2016; 16。https://doi.org/10.1186/s12889-016-3239-y

  32. Teng F，Fan W，Luo Y，Xu S，Gong H，Ge R，Zhang X，Wang X，Ma L.通过鼻咽癌患者的辐射诱导的静脉炎的风险预测模型，用鼻咽癌进行了全面治疗螺旋疗法技术。前安科尔。2021; 11：633556。https://doi.org/10.3389/fonc.2021.633556

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  33. Tay JK，Narasimhan B，Hastie T.所有通用线性模型的弹性净正则化路径。J 统计软件。2023; 106（1）：1â31。https://doi.org/10.18637/jss.v106.i01

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  34. Gorji HT，Wilson N，Vanbree J，Hoffmann B，Petros T，Tavakolian K.使用机器学习方法和脑电图在飞行过程中区分飞机飞行员认知工作量。SciRep。2023; 13（1）。https://doi.org/10.1038/s41598-023-29647-0

  35. Chen M，Yin Z.基于APRIORI算法和多模型集合分类器的心脏图的分类。前细胞开发生物学。2022; 10：888859。https://doi.org/10.3389/fcell.2022.888859

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  36. Bustos A，PayâA，Torrubia A，Jover R，Llor X，Bessa X，Castells A，Carradaceo-，Alenda C. Xdeep-MSI：可解释的偏置偏见 - 结直肠癌中的微卫星深度学习系统。生物分子。2021；11(12)。https://doi.org/10.3390/biom11121786

  37. Wang HJ，Liang QX，Hancock JT，Khoshgoftaar TM。特征选择策略：对制造价值和基于重要性方法的比较分析。J大数据。2024; 11（1）。https://doi.org/10.1186/S40537-024-00905-W

  38. Wu CD，朱JJ，hsu Cy，Shie RH。使用GEO-AI在时间滞后和包裹跟踪功能的情况下量化对环境NH3的源贡献。环境国际。2024；185。httpshttps://doi.org/10.1016/j.envint.2024.108520

  39. Chung YM，Heshmati A.韩国行业对环境敏感生产率增长的测量。J 清洁产品。2015; 104：380â91。https://doi.org/10.1016/j.jclepro.2014.06.030

    文章一个 谷歌学术一个 

  40. Taghizadeh E，Heydarheydari S，Saberi A，Jafarpoornesheli S，Rezaeijo SM。使用特征选择和机器学习方法进行转录组分析的乳腺癌预测。BMC 生物信息学。2022; 23（1）：410。https://doi.org/10.1186/s12859-022-04965-8

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  41. Lip GYH，Genaidy A，Tran G，Marroquin P，Estes C，SloopS。多物种对事件的COVID-19事件的影响及其与COVID-19事件状态的相互作用对随后事件的心肌梗塞（MI）的相互作用。欧洲临床投资杂志。2022; 52（5）：E13760。https://doi.org/10.1111/eci.13760

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  42. Marien L，Valizadeh M，Castell WZ，Nam C，Rechid D，Schneider A，Meisinger C，Linseisen J，Wolf K，Bouwer LM。机器学习模型可以从过去的气候和环境条件下预测心肌梗死。NAT危害地球系统科学。2022; 22（1561 - 8633）：3015 39。https://doi.org/10.5194/nhess-22-3015-2022

    文章一个 谷歌学术一个 

  43. Stretch R，Ryden A，Fung CH，Martires J，Liu S，Balasubramanian V，Saedi B，Hwang D，Martin JL，Della Penna N等。使用机器学习预测非诊断家庭睡眠呼吸暂停测试。J 临床睡眠医学杂志。2019; 15（11）：1599 608。https://doi.org/10.5664/jcsm.8020

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  44. Nunfam VF，Adusei-Asante K，Frimpong K，Van Etten EJ，OosthuizenJ。国际生物气象学杂志。2020; 64（7）：1085 101。https://doi.org/10.1007/s00484-020-01882-4

    文章一个 考研一个 谷歌学术一个 

  45. Weinberger KR，Tamburic L，Peters CE，McLeod CB。2001年，不列颠哥伦比亚省的工人中与热有关的疾病。J 职业环境医学。2023; 65（2）：e88 - 92。https://doi.org/10.1097/jom.0000000000002761

    文章一个 考研一个 谷歌学术一个 

  46. Buller M，Fellin R，Bursey M，Galer M，Atkinson E，Beidleman BA，Marcello MJ，Driver K，Mesite T，Sey J等。步态不稳定性和估计的核心温度可以预测勤奋热中风。Br J 运动医学。2022; 56（8）：446。https://doi.org/10.1136/bjsports-2021-104081

    文章一个 考研一个 谷歌学术一个 

  47. Lu IC，Yang CC，Huang CH，Chen Sy，Lin CW，Lin CH，Chuang Hy。钢铁行业高温工作场所的工人中射线透明的肾结石病的危险因素。国际环境研究公共卫生杂志。2022; 19（23）。https://doi.org/10.3390/ijerph192315720

  48. Harsini Az，Ghofranipour F，Sanaeinasab H，Shokravi FA。一项教育干预措施的随机对照试验，以促进石化工人的安全行为：研究方案。BMC 公共卫生。2019; 19。https://doi.org/10.1186/s12889-019-7126-1

  49. Marinaccio A，Scortichini M，Gariazzo C，Leva A，Bonafede M，Donato FKD，Stafoggia M，Viegi G，Michelozzi P，Carla A等。全国流行病学研究估计了极端户外温度对意大利职业伤害的影响。环境国际。2019；133。httpshttps://doi.org/10.1016/j.envint.2019.105176

  50. Li XD，Chow KH，Zhu YM，Lin Y.评估高温户外工作环境对中国建筑劳动生产力的影响：钢筋工人的案例研究。建设环境。2016; 95：42â52。https://doi.org/10.1016/j.buildenv.2015.09.005

    文章一个 谷歌学术一个 

  51. Liu J，Varghese BM，Hansen A，Xiang J，Zhang Y，Dear K，Gourley M，Driscoll T，Morgan G，Capon A等。炎热的天气和不良的心理健康结果之间是否存在关联？系统评价和荟萃分析。环境国际。2021; 153：106533。https://doi.org/10.1016/j.envint.2021.106533

    文章一个 考研一个 谷歌学术一个 

  52. Jingesi M，Lan S，Hu J，Dai M，Huang S，Chen S，Liu N，LV Z，JI J，Li X，Li X等。亚热带中热应力与心血管死亡率之间的关联。国际生物气象学杂志。2023; 67（12）：2093 106。https://doi.org/10.1007/s00484-023-02565-6

    文章一个 考研一个 谷歌学术一个 

  53. Shin S，Choi JH，Lee KE，Yoon JH，Lee W.胃肠道癌的风险和状态根据韩国工人的国际标准工业分类。癌症（巴塞尔）。2022; 14（20）。https://doi.org/10.3390/cancers14205164

  54. Si S，Lewkowski K，Fritschi L，Heyworth J，Liew D，Li ia。职业噪声引起的澳大利亚听力损失的生产力负担：一项生命表建模研究。国际环境研究公共卫生杂志。2020; 17（13）。https://doi.org/10.3390/ijerph17134667

  55. Neri F，Laschi A，Foderi C，Fabiano F，Bertuzzi L，MarchiE。通过使用锂离子电池和电动链锯，确定针叶树横切操作中的噪声和振动暴露。森林。2018; 9（8）。https://doi.org/10.3390/f9080501

  56. Mette J，Velasco Garrido M，Harth V，Preisser AM，MacheS。健康的海上员工？一项针对海上风雇员职业应变，健康和应对的定性研究。BMC 公共卫生。2018; 18（1）：172。https://doi.org/10.1186/s12889-018-5079-4

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  57. Ebi KL，Capon A，Berry P，Broderick C，de Dear R，Havenith G，Honda Y，Kovats RS，Ma W，Malik A，Malik A等。炎热的天气和热量：健康风险。柳叶刀。2021; 398（10301）：698 708。

    文章一个 考研一个 谷歌学术一个 

  58. Nguyen Thy，Bertin M，Bodin J，Fouquet N，Bonvallot N，RoquelaureY。农业工作者中的多次暴露和共同expassiess和对职业危害的共有：观察性研究的系统评价。SAF健康工作。2018; 9（3）：239 48。https://doi.org/10.1016/j.shaw.2018.04.002

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  59. Cattaneo I, Kalian AD, Di Nicola MR, Dujardin B, Levorato S, Mohimont L, Nathanail AV, Carnessechi E, Astuto MC, Tarazona JV, et al. Risk Assessment of Combined exposure to multiple chemicals at the European Food Safety Authority: principles, Guidance documents, applications and Future challenges. Toxins. 2023;15(1).https://doi.org/10.3390/toxins15010040

  60. McInnes JA, Akram M, MacFarlane EM, Keegel T, Sim MR, Smith P. Association between high ambient temperature and acute work-related injury: a case-crossover analysis using workers’ compensation claims data. Scandinavian J Work Environ Health. 2017;43(1):86–94.https://doi.org/10.5271/sjweh.3602

    文章一个 谷歌学术一个 

  61. Braun J, Baraliakos X, Bülow R, Schmidt CO, Richter A. Striking sex differences in magnetic resonance imaging findings in the sacroiliac joints in the population.关节炎研究。2022;24(1):29.https://doi.org/10.1186/s13075-021-02712-7

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  62. He BJ, Zhao DX, Dong X, Xiong K, Feng C, Qi QL, Darko A, Sharifi A, Pathak M. Perception, physiological and psychological impacts, adaptive awareness and knowledge, and climate justice under urban heat: A study in extremely hot-humid Chongqing, China.可持续城市和社会。2022 年；79. httpshttps://doi.org/10.1016/j.scs.2022.103685

  63. Mathee A, Oba J, Rose A. Climate change impacts on working people (the HOTHAPS initiative): findings of the South African pilot study.全球健康行动。2010;3.https://doi.org/10.3402/gha.v3i0.5612

  64. Chen Y, Zhang CK, Lu L, Zheng XH, Chang SQ. Dynamic of upper body sweat distribution in young males wearing fully encapsulated chemical protective ensembles. Sci Rep. 2022;12(1).https://doi.org/10.1038/s41598-022-04974-w

  65. Smyth B, Maunder E, Meyler S, Hunter B, Muniz-Pumares D. Decoupling of Internal and External Workload during a Marathon: an analysis of durability in 82,303 recreational runners.运动医学。2022;52(9):2283–95.https://doi.org/10.1007/s40279-022-01680-5

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  66. Giersch GEW, Taylor KM, Caldwell AR, Charkoudian N. Body mass index, but not sex, influences exertional heat stroke risk in young healthy men and women. Am J Physiology-Regulatory Integr Comp Physiol. 2023;324(1):R15–9.https://doi.org/10.1152/ajpregu.00168.2022

    文章一个 中科院一个 谷歌学术一个 

  67. Kim D, Kim HJ, Song TJ.Association of body composition indices with cardiovascular outcomes: a nationwide cohort study.美国临床营养杂志。2024;119(4):876–84.https://doi.org/10.1016/j.ajcnut.2024.02.015

    文章一个 中科院一个 考研一个 谷歌学术一个 

  68. Park SE, So WY, Kang YS, Yang JH.Relationship between perceived stress, obesity, and hypertension in Korean adults and older adults.卫生保健。2023;11(16).https://doi.org/10.3390/healthcare11162271

  69. Gervasoni E, Bertoni R, Anastasi D, Solaro C, Di Giovanni R, Grange E, Gunga HC, Rovaris M, Cattaneo D, Maggioni MA et al.Acute Thermoregulatory and Cardiovascular Response to Submaximal Exercise in People With Multiple Sclerosis.Frontiers in Immunology.2022 年；13. httpshttps://doi.org/10.3389/fimmu.2022.842269

  70. Spech C, Paponetti M, Mansfield C, Schmitt L, Briggs M. Biomechanical variations in children who are overweight and obese during high-impact activities: a systematic review and meta-analysis. Obes Rev. 2022;23(6).https://doi.org/10.1111/obr.13431

  71. Stephens D, Brearley M, Vermeulen L. Heat Health Management in a Quarantine and isolation facility in the tropics.预科灾难医学。2022;37(2):259–64.https://doi.org/10.1017/s1049023x22000255

    文章一个 考研中心一个 谷歌学术一个 

  72. Tawatsupa B, Yiengprugsawan V, Kjellstrom T, Berecki-Gisolf J, Seubsman SA, Sleigh A. Association between Heat Stress and Occupational Injury among Thai workers: findings of the Thai Cohort Study.工业健康。2013;51(1):34–46.https://doi.org/10.2486/indhealth.2012-0138

    文章一个 考研一个 谷歌学术一个 

  73. Sui X, Wang Y, Jin M, Li K, Jiang G, Song A, He Z, Yin C, Zhao J, Wang L, et al.The effects of dexmedetomidine for patient-controlled analgesia on postoperative sleep quality and gastrointestinal motility function after surgery: a prospective, randomized, double-blind, and controlled trial.前药理学。2022;13:990358.https://doi.org/10.3389/fphar.2022.990358

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  74. Elhadi M, Alsoufi A, Msherghi A, Alshareea E, Ashini A, Nagib T, Abuzid N, Abodabos S, Alrifai H, Gresea E, et al.Psychological Health, Sleep Quality, Behavior, and Internet Use among people during the COVID-19 pandemic: a cross-sectional study.前精神病学。2021;12:632496.https://doi.org/10.3389/fpsyt.2021.632496

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  75. Wee J, Tan XR, Gunther SH, Ihsan M, Leow MKS, Tan DSY, Eriksson JG, Lee JKW. Effects of medications on Heat loss capacity in Chronic Disease patients: Health implications amidst global warming. Pharmacol Rev. 2023;75(6):1140–66.https://doi.org/10.1124/pharmrev.122.000782

    文章一个 中科院一个 考研一个 谷歌学术一个 

下载参考资料

致谢

The authors would like to thank the Minnan Branch of the First Affiliated Hospital of Fujian Medical University for their support during the survey. All survey participants and the interviewers (Wenzhu Chen, Suqun Chen, Ying Xu, Xiaoyan Zeng, Yian Guo, Sufen Ke, Suyu Chen, and Meimei Lin) are greatly appreciated for their contributions.

资金

This study was supported by the Minjiang Scholar Start-up Research Fund of Fujian Province (Grant No. 2019-9202001001) and 2021 Natural Science Foundation of Fujian Province of China (2021J01722).

作者信息

作者笔记

  1. Yilin Zhang and Yifeng Chen contributed equally to this work.

作者和单位

  1. Department of Preventive Medicine, School of Public Health, Fujian Medical University; and Key Laboratory of Environment and Health, Fujian Province University, 1 North Xue-Fu Rd, Minhou, Fuzhou, 350122, Fujian Province, China

    Yilin Zhang, Yifeng Chen, Qingyu Li, Yan Yang, Zitong Zhang, Jiake Chen, Zhihong Xiao & Jianjun Xiang

  2. Department of Epidemiology and Health Statistics, School of Public Health, Fujian Medical University, Fuzhou, 350122, Fujian Province, China

    Qingling Su, Xiaoyin Huang, Shanshan Du & Weimin Ye

  3. Minnan Branch of the First Affiliated Hospital of Fujian Medical University, Quangang, Quanzhou, 362100, Fujian Province, China

    Rong Xu, Qing Zu & Wei Zheng

  4. School of Public Health, The University of Adelaide, North Terrace Campus, Adelaide, South Australia, 5005, Australia

    Jianjun Xiang

贡献

YZ conducted data analysis and drafted the manuscript. YC and QL conducted the majority of the field work, including data collection and initial analyses. SD contributed to the interpretation of results and manuscript revisions. YY and ZZ assisted in the field investigations and provided critical revisions to the draft. JC, ZX, and JW were involved in the data collection as well as offering substantive suggestions for the manuscript. WZ participated extensively in designing research methodology and supervising the field investigations. LW supported the study design and execution, and provided guidance on statistical analysis. WY contributed significantly to the manuscript concept, reviewing literature, and editing the manuscript content for important intellectual content. JX, as the corresponding author, played a pivotal role in the conception of the article, oversaw the entire project, contributed to manuscript writing and revisions, and undertook additional data collection. All authors discussed the results, commented on the manuscript at all stages, and read and approved the final manuscript.

通讯作者

通讯至魏征,叶伟民或者Jianjun Xiang。

道德声明

道德批准并同意参与

The study protocol was approved by the Ethics Committee of Fujian Medical University, with approval number (2022–111). All participants provided written informed consents before participating in the study. The research was conducted in accordance with the ethical guidelines and principles outlined in the Declaration of Helsinki.

同意发表

不适用。

利益竞争

作者声明没有竞争利益。

附加信息

Publisher’s note

施普林格·自然对于已出版的地图和机构隶属关系中的管辖权主张保持中立。

电子补充材料

以下是电子补充材料的链接。

引用这篇文章

Check for updates. Verify currency and authenticity via CrossMark

Zhang, Y., Chen, Y., Su, Q.

等人。利用机器和深度学习来模拟石化工人不适温度与劳动生产率损失之间的关系。BMC 公共卫生24 , 3269 (2024). https://doi.org/10.1186/s12889-024-20713-4下载引文

已收到

  • ：2024 年 5 月 27 日

  • ：2024 年 11 月 12 日

  • ：2024 年 11 月 25 日

  • ：https://doi.org/10.1186/s12889-024-20713-4关键词

Keywords

关于《利用机器和深度学习模拟石化工人不适温度与劳动生产率损失之间的关系》的评论

暂无评论

发表评论



摘要

张等人发表在《BMC Public Health》上的文章利用机器学习（ML）和深度学习（DL）技术探讨了石化工人不适温度与劳动生产率损失之间的关系。以下是该研究的要点和见解的摘要：＃＃＃ 背景- **目标**：模拟热不适对石化行业工作绩效的影响。- **背景**：热应力会显着影响工人的生产力、安全和健康。＃＃＃ 方法1. **数据收集**：- 数据收集自一段时间内中国一家石化厂的 584 名工人。- 信息包括环境温度、湿度、个人不适程度和劳动绩效指标（例如产出率、错误）。2. **建模技术**：- 研究人员采用各种 ML 和 DL 方法来分析数据，包括：- 随机森林（RF）- 支持向量机（SVM）- 人工神经网络（ANN）- 长短期记忆（LSTM）模型＃＃＃ 结果- **模型性能**：- 根据准确度、精确度和 F1 分数评估多个模型。- LSTM 模型显示出最高的预测性能，这可能是由于它能够捕获环境条件下的时间模式。- **主要发现**：- 热不适（由高环境温度表明）与劳动生产率降低之间存在显着关系。- 发现工人个人对舒适度的感知是影响其工作效率的关键因素。- 该模型能够根据环境条件以合理的精度预测劳动生产率损失。＃＃＃ 讨论- **影响**：- 了解热不适与生产力之间的关系有助于设计更有效的工作环境。- 实施温度控制措施或调整工作时间可以减轻高温造成的生产力损失。- **限制**：- 该研究主要集中于单个石化厂，限制了普遍性。- 不适的主观测量可能因人而异，并且未根据个人因素进行调整。### 结论该研究强调了热舒适性对于在工业环境中保持最佳劳动生产率的重要性。利用 LSTM 等先进的机器学习技术可以提供强大的预测模型，帮助行业更好地管理环境条件，从而提高工人的安全和效率。### 未来的方向- 跨多个工厂和行业进行研究。- 纳入更多个性化数据（例如个人健康指标）以进一步完善模型。- 探索使用这些模型来立即调整工作环境的实时监控系统。

相关新闻

相关讨论