[背景]英国、美国、德国等国家的职业伤害严重程度通常使用损失工作日来分析,但在我国已有的职业伤害监测相关研究中,损失工作日这一指标的应用相对较少.[目的]探讨损失工作日在非致命性职业伤害监测中的应用价值,为职业伤害监测指标体系构建提供参考依据.[方法]应用欧洲职业事故统计(ESAW)2010-2019年欧盟 27个成员国非致命性职业伤害事故的公开数据,非致命性职业伤害是指在职业活动期间或在工作期间导致工人缺勤≥4 d的伤害事件.按照《欧洲职业事故统计概要方法》将损失工作日按照 4～6 d、7～13 d、14～20 d、21～30 d、31～91 d、92～182 d、183 d及以上、未知划分为8类,应用Join-point线性回归,采用年度变化百分比(APC)和平均年度变化百分比(AAPC)分析不同损失工作日非致命性职业伤害事故发生比率整体趋势变化情况、重点行业非致命性职业伤害事故整体趋势变化情况,同时结合行业不同损失工作日非致命性职业伤害事故变化情况分析其发生特征.[结果]2010-2019年欧盟总体非致命性职业伤害事故发生率整体呈现下降趋势,AAPC为-1.0%(P<0.05).损失工作日 4～6 d、92～182 d的事故发生率均呈现上升趋势,AAPC分别为7.9%、5.8%(P<0.05).C(制造业)、E(供水、污水处理、废物管理和补救)和F(建筑业)的非致命性职业伤害平均年事故发生比率均呈线性下降趋势,AAPC分别为-3.0%、-2.5%、-1.5%(P<0.05);但其中,制造业损失工作日 92～182 d的非致命性职业伤害事故发生率呈明显上升趋势,AAPC为3.7%(P<0.001).[结论]采用损失工作日结合APC、AAPC进行Join-point线性回归分析可衡量不同行业工人、不同损失工作日非致命性职业伤害事故发生的严重程度及趋势变化情况,该指标在评价国家、企业采取职业伤害预防控制策略有效性中有重要的实际意义.

[背景]职业伤害影响因素的识别分析是特征选择的重要研究内容,随着机器学习算法兴起,特征选择结合Boosting算法模型构建可为职业伤害预测分析中提供新的分析思路.[目的]探讨基于Boosting算法模型在预测矿工非致命性职业伤害严重等级中的适用性,为科学合理地预测矿工非致命性职业伤害严重等级提供依据.[方法]应用美国矿山安全与健康管理局(MSHA)2001-2021年金属矿工非致命性职业伤害的公开数据,以损失工作日天数<105 d为轻伤、≥105 d为重伤作为结局变量.通过最小绝对收缩与选择算子算法(Lasso)回归、逐步回归、单因素+Lasso回归、单因素+逐步回归 4种特征选择方法分别筛选出 4个不同特征集.选择基于Boosting思想的梯度提升决策树(GB-DT)和极端梯度提升算法(XGBoost)两种模型,应用 4个特征集分别训练logistic回归、GBDT、XGBoost三种模型,共形成 12种矿工非致命性职业伤害严重等级预测模型,以获取预测模型的曲线下面积(AUC)、灵敏度、特异度、约登指数为主要评价指标.[结果]根据 4种不同特征选择方法,年龄、事故发生时间、总工龄、伤害发生原因、伤害发生活动、受伤部位、伤害性质、伤害结局 8个特征是影响矿工非致命性职业伤害严重等级的主要影响因素.单因素+逐步回归筛选的特征集 4为最优特征集并且其构建的GBDT模型对非致命性职业伤害严重等级预测效能最佳,特异度、灵敏度、约登指数分别为 0.7530、0.9490、0.7020.特征集4构建logistic回归、GBDT、XGBoost预测模型的AUC值分别为0.8526(95%CI:0.8387～0.8750)、0.8640(95%CI:0.8474～0.8806)、0.8603(95%CI:0.8439～0.8773),均比逐步回归筛选的特征集 2所构建的预测模型AUC值[0.8487(95%CI:0.8203～0.8669)、0.8110(95%CI:0.8012～0.8344)、0.8439(95%CI:0.8245～0.8561)]高,并且特征集 4构建 GBDT、XGBoost均比logistic回归预测模型AUC值高.[结论]两种特征选择方法比单一特征选择筛选的预测因子构建的预测模型性能更优.同时在最优特征集条件下,基于Boosting思想构建的非致命性伤害严重程度预测模型与传统逻辑回归预测模型相比性能更优.

英国工作相关疾病与职业伤害监测体系由《伤害、疾病和危险事故报告规程 2013》(RIDDOR)、劳动力调查(LFS)、健康和职业报告网-全科医生(THOR-GP)报告计划、专科医生报告计划等监测项目共同组成.本文简述了英国工作相关疾病与职业伤害监测体系中各个监测项目的监测范围、内容和方法,分析了各个监测项目的优缺点.其中,RIDDOR是由雇主向相关执法部门上报,数据易于获取但漏报严重,是致命性职业伤害的唯一数据源;LFS是有代表性的全国住户抽样调查,涵盖了职业伤害和工作相关疾病两方面,是非致命性职业伤害和压力、焦虑、抑郁等工作相关疾病的首要数据源,但收集的是基于自我感知、未经临床证实的数据;全科医生报告的是经临床确诊的工作相关疾病,在归因中更加科学,是工作相关疾病的良好次要来源;专科医生报告的是经临床确诊的严重程度较高的病例,是哮喘、皮炎等疾病的首要数据源,但可能会低估发病率.该体系的各个监测项目各有特点,相互交叉,相互补充,可为我国构建职业伤害监测体系提供借鉴与参考.

[背景]英国采用主动监测和被动监测两种方式共同收集职业伤害数据,构建了较为完善的职业伤害监测体系,可为我国职业伤害监测体系的构建提供借鉴和参考.[目的]分析英国职业伤害主动监测和被动监测结果,探讨主被动监测方式在职业伤害防控领域的联合应用价值.[方法]应用劳动力调查的非致命性职业伤害主动监测数据评估报告数、报告率、年损失工作日、人均损失工作日、每病例平均损失工作日等指标;应用雇主上报的致命性被动监测数据评估报告死亡数、报告死亡率等指标.采用Join-point回归分析 2004-2020年致命性和非致命性职业伤害的报告趋势,计算年度变化百分比(APC)和平均年度变化百分比(AAPC).[结果]主动监测显示,2004-2020年缺勤≥0 d的报告数由 89.7(95%CI:85.2～94.2)万降到44.1(95%CI:39.1～49.2)万,报告率由32100/10万(95%CI:3050/10万～3370/10万)降到1410/10万(95%CI:1250/10万～1570/10万),呈线性下降趋势(APC和AAPC均为-3.88%,P<0.05);2019年每病例平均损失工作日为 9.1(95%CI:6.8～11.5)d.被动监测显示,2004-2020年报告死亡数由 223人降到 142人,报告死亡率由 0.78/10万降到 0.44/10万,报告死亡率呈线性下降趋势(APC和AAPC均为-4.59%,P<0.05).[结论]英国致命性和非致命性职业伤害报告率呈线性下降趋势.基于劳动力调查的主动监测方式在非致命性职业伤害评估方面监测指标更多,基于雇主上报的被动监测方式在致命性职业伤害评估方面更具优势,联合应用两种监测方式并结合AAPC等趋势分析指标,能较全面地掌握职业伤害流行病学特征.