O mapeamento e a estimação de riscos e incidências são ferramentas muito úteis para a Epidemiologia pois, auxiliam na prevenção de agravos da saúde e, também auxiliam no planejamento e avaliação dos serviços de saúde. Este trabalho busca utilizar uma ferramenta estatística que incorpora de forma adequada este tipo de análise ao estudo de outras características que estejam relacionadas a estes agravos. No presente trabalho utiliza-se como aplicação dados do estudo caso-controle espacial com base populacional de acidentes de trabalho com a proposta de estimar a distribuição espacial do risco de sofrer acidente de trabalho na área urbana do município de Piracicaba/SP entre trabalhadores que se encontravam na situação de precarização do trabalho em associação com outras variáveis de interesse através de modelos aditivos generalizados (MAG) e, através disso, mostrar que ao incorporar de forma explícita o espaço no processo de modelagem dos dados ocorre um ganho significativo na explicação da variação do risco. O modelo MAG utilizado tem variável resposta binomial (caso e controle) e multinomial (caso e controle separados pela gravidade do acidente sofrido). Com os modelos ajustados, mapas foram desenhados com indicações de diferentes cores para a intensidade do risco de sofrer acidente de trabalho. Outra abordagem utilizada para os dados espaciais de acidentes de trabalho foi a INLA (INTEGRATED NESTED LAPLACE APPROXIMATIONS), a qual é utilizada como processo de modelagem para a família dos modelos Gaussianos latentes através de novos métodos para esta família de modelos. A intenção foi mostrar como essa nova abordagem lida com dados do tipo espacial e, fazer uma comparação com a abordagem feita pela modelagem GAM / Mapping and estimation of risks and impacts are very useful tools for Epidemiology at the assistance in prevention of injuries and health, also assists in planning and evaluation of health services. This paper seeks to use a statistical tool that adequately incorporates this type of analysis to the study of other characteristics that are related these illnesses. In the present work is used as application data from case-control study space-based population accidents with the proposal to estimate the spatial distribution of risk of suffering an accident at work in the urban area of Piracicaba/SP among workers who were in employed as casual labor in combination with other variables of interest using generalized additive models (GAM) and, thereby, show that by incorporating explicitly space in the process of data modeling is a gain significant in explaining the variation in risk. The GAM model have used binomial response variable (case and control) and multinomial (case and control separated by the severity of the accident suffered). With the adjusted models, maps were drawn with indications of different colors to the intensity of the risk of accident. Another approach used for spatial data on accidents at work was the INLA (INTEGRATED NESTED LAPLACE APPROXIMATIONS), which is used as a modeling process for the family of latent Gaussian models through new methods for this family of models. The intention was to show how this new approach deals with spatial data and a comparison with the approach made by GAM modeling.

O mapeamento e a estimação de riscos e incidências são ferramentas muito úteis para a Epidemiologia pois, auxiliam na prevenção de agravos da saúde e, também auxiliam no planejamento e avaliação dos serviços de saúde. Este trabalho busca utilizar uma ferramenta estatística que incorpora de forma adequada este tipo de análise ao estudo de outras características que estejam relacionadas a estes agravos. No presente trabalho utiliza-se como aplicação dados do estudo caso-controle espacial com base populacional de acidentes de trabalho com a proposta de estimar a distribuição espacial do risco de sofrer acidente de trabalho na área urbana do município de Piracicaba/SP entre trabalhadores que se encontravam na situação de precarização do trabalho em associação com outras variáveis de interesse através de modelos aditivos generalizados (MAG) e, através disso, mostrar que ao incorporar de forma explícita o espaço no processo de modelagem dos dados ocorre um ganho significativo na explicação da variação do risco. O modelo MAG utilizado tem variável resposta binomial (caso e controle) e multinomial (caso e controle separados pela gravidade do acidente sofrido). Com os modelos ajustados, mapas foram desenhados com indicações de diferentes cores para a intensidade do risco de sofrer acidente de trabalho. Outra abordagem utilizada para os dados espaciais de acidentes de trabalho foi a INLA (INTEGRATED NESTED LAPLACE APPROXIMATIONS), a qual é utilizada como processo de modelagem para a família dos modelos Gaussianos latentes através de novos métodos para esta família de modelos. A intenção foi mostrar como essa nova abordagem lida com dados do tipo espacial e, fazer uma comparação com a abordagem feita pela modelagem GAM / Mapping and estimation of risks and impacts are very useful tools for Epidemiology at the assistance in prevention of injuries and health, also assists in planning and evaluation of health services. This paper seeks to use a statistical tool that adequately incorporates this type of analysis to the study of other characteristics that are related these illnesses. In the present work is used as application data from case-control study space-based population accidents with the proposal to estimate the spatial distribution of risk of suffering an accident at work in the urban area of Piracicaba/SP among workers who were in employed as casual labor in combination with other variables of interest using generalized additive models (GAM) and, thereby, show that by incorporating explicitly space in the process of data modeling is a gain significant in explaining the variation in risk. The GAM model have used binomial response variable (case and control) and multinomial (case and control separated by the severity of the accident suffered). With the adjusted models, maps were drawn with indications of different colors to the intensity of the risk of accident. Another approach used for spatial data on accidents at work was the INLA (INTEGRATED NESTED LAPLACE APPROXIMATIONS), which is used as a modeling process for the family of latent Gaussian models through new methods for this family of models. The intention was to show how this new approach deals with spatial data and a comparison with the approach made by GAM modeling.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-08-13T20:23:08Z No. of bitstreams: 1 CLAUDIA VERONICA SEREY GUERRERO - TESE PPGEE 2006..pdf: 2301217 bytes, checksum: 9f6b87201fa5a0a9d85540cef4c28cf2 (MD5) / Made available in DSpace on 2018-08-13T20:23:08Z (GMT). No. of bitstreams: 1 CLAUDIA VERONICA SEREY GUERRERO - TESE PPGEE 2006..pdf: 2301217 bytes, checksum: 9f6b87201fa5a0a9d85540cef4c28cf2 (MD5) Previous issue date: 2006-05-05 / Capes / Este trabalho centra-se no processo de construção de um modelo conceitual de cenários de acidentes causados pelo erro humano, e tem como foco a concepção de interfaces ergonômicas. O processo concebido foi validado a partir de um estudo de caso no contexto de uma empresa de distribuição e transmissão de energia do setor elétrico. A construção do modelo consiste essencialmente na extração de conhecimento a partir de relatos de casos acidentes, neste caso em particular foi escolhido como corpus o conjunto de acidentes iniciados pelo erro humano durante a interação com o sistema de supervisão e controle da operação de subestações. Como resultado obteve-se uma ontologia do contexto tratado, uma categorização do erro humano e uma tipologia dos principais cenários de acidentes. O modelo resultante deverá ser utilizado na integração do conhecimento sobre as situações de acidentes no processo de concepção de interfaces. O modelo específico que resultou do estudo de caso, apoiará também a construção de um simulador de acidentes para a empresa analisada. Este trabalho se insere no contexto de pesquisas do Grupo de Interfaces Homem-Máquina, GIHM – UFCG, cujo tema principal é a extensão do Método para Concepção de Interfaces Ergonômicas – MCIE, de modo a adequá-lo ao contexto de sistemas industriais críticos. / This work is centred in the process of building a conceptual model of accident scenarios caused by the human error, and focuses on the conception of ergonomic interfaces. The conceived process was validated through a case study in the context of the electric sector, with a corpus extracted from an electricity distribution and transmission company. The model building essentially consists of knowledge extraction from company’s reports on accidents. In this particular case, the chosen corpus consists of a set of accidents that initiated by the human error during the interaction between operators and the supervision and control system in substations. As a result of the modelling process resulted: an ontology of the analyzed context, a categorization of the human error and an accident typology. The resulting model will allow the integration of the accidents situations knowledge in the process of human interface conception, for the studied context, whereas the case study specific model, will support the construction of an accident simulator for the company. This work fits into the research context of the human interface group GIHM - UFCG, whose main research subject is the extension of the Method for Conception of Ergonomic Interfaces - MCIE, in order to adjust it for the critical industrial systems context.

<p>General Aviation (GA) encompasses all aircraft operations, excluding scheduled, military, and commercial operations. GA accidents comprise approximately 94% of all aviation accidents in the United States annually. 75% of these accidents involve pilot-related factors (pilot actions or conditions). Inflight loss of control means that the flight crew was unable to maintain control of the aircraft in flight. With almost 50% of loss of control accidents being fatal yearly, it continues to be the deadliest cause of GA accidents.</p> <p><br></p> <p>The most common approach to understanding accident causation is analyzing historical data from sources such as the National Transportation Safety Board (NTSB) database. The NTSB database has abundant rich information. In contrast to the extensive investigations into and detailed reports on commercial aviation accidents, GA accident investigations tend to be shorter, and the resulting reports tend to be brief and limited—especially regarding human factors’ role in accidents. Only relying on historical data cannot provide a complete understanding of accident causation.</p> <p><br></p> <p>There is a clear need to better understand the role of human factors involved in GA accidents to prevent such accidents and thus improve aviation safety. In my research, I focus on a specific type of accidents, inflight loss of control (LOC-I), the deadliest cause of GA accidents. I use historical data analysis and human-subjects research with pilots to investigate the role of human factors in loss of control accidents. Building on previous work, I created a state-based modeling framework that maximizes data extraction and insight formation from the NTSB accident reports by (1) developing a structured modeling language to represent accident causation in the form of states and triggers; (2) populating the language lexicon of states and triggers using insights from accident reports and pilots perspectives via surveys and interviews; and (3) applying Natural Language Processing (NLP) and machine learning techniques to automatically translate accident narratives into the language lexicon. The framework is focused on LOC-I but can be extended to other types of accidents. Findings from my study may help in consistent accident analysis, better accident reporting, and improving training methods and operating procedures for GA pilots.</p>