Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39901| Título: | Predição da evolução de lesões em acidentes de trabalho no Brasil: uma abordagem com aprendizado de máquina interpretável |
| Título(s) alternativo(s): | Predicting the evolution of injuries in work-related accidents in Brazil: an interpretable machine learning approach |
| Autor(es): | Schneider, André Luis |
| Orientador(es): | Pessa, Sergio Luiz Ribas |
| Palavras-chave: | Aprendizado do computador Acidentes de trabalho Serviços de saúde ocupacional Machine learning Industrial accidents Occupational health services |
| Data do documento: | 5-Fev-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | SCHNEIDER, André Luis. Predição da evolução de lesões em acidentes de trabalho no Brasil: uma abordagem com aprendizado de máquina interpretável. 2026. Dissertação (Mestrado em Programa de Pós-Graduação Engenharia de Produção e Sistemas (Ppgeps) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2026. |
| Resumo: | Acidentes relacionados ao trabalho continuam representando uma ameaça significativa à segurança dos trabalhadores e geram perdas econômicas substanciais em escala global. Com o avanço da Indústria 4.0, o aprendizado de máquina desponta como uma ferramenta promissora para a predição e mitigação desses eventos. Este trabalho aborda o desafio da predição de acidentes por meio de dois estudos interligados: uma revisão sistemática da literatura e uma aplicação empírica voltada ao contexto brasileiro. O primeiro estudo realiza um mapeamento do panorama atual das aplicações de aprendizado de máquina na predição de acidentes de trabalho. Adotando o protocolo Methodi Ordinatio, foram analisados 340 artigos das bases Scopus e Web of Science. Os resultados indicam um crescimento acelerado das publicações, especialmente após 2020, com destaque para modelos de comitê, como Random Forest e XGBoost, que apresentam desempenho preditivo superior. No entanto, o estudo também evidencia desafios importantes, como o tratamento de conjuntos de dados desbalanceados e a baixa interpretabilidade de modelos complexos, o que dificulta sua adoção prática. Com base nessas constatações, o segundo estudo investiga a utilização de aprendizado de máquina para prever a gravidade dos desfechos de acidentes de trabalho no Brasil, diferenciando entre incapacidades temporárias e permanentes. Para isso, foram analisados 4.476 registros do Sistema de Informação de Agravos de Notificação (SINAN), utilizando diversos classificadores. O modelo random forest apresentou o melhor desempenho, com acurácia de 86,84% e F1-score de 86,59%. Para tornar o modelo mais interpretável, foi aplicada a técnica de explicação Shapley Additive Explanations (SHAP), que indicou que as variáveis mais relevantes para a predição da gravidade foram a parte do corpo afetada, o tipo de acidente e a ocupação do trabalhador. Em conjunto, os dois estudos aproximam as tendências globais de pesquisa dos desafios nacionais em saúde ocupacional. Ao identificar o estado da arte e suas limitações, e ao aplicar um modelo robusto e interpretável a um banco de dados nacional, este trabalho demonstra o potencial do aprendizado de máquina para antecipar riscos e subsidiar intervenções direcionadas em saúde do trabalhador, em consonância com os marcos regulatórios e com a literatura especializada da área. |
| Abstract: | Work-related accidents remain a significant threat to worker safety and lead to substantial economic losses worldwide. With the rise of Industry 4.0, machine learning has emerged as a promising tool for predicting and mitigating such incidents. This dissertation addresses the challenge of accident prediction through two interconnected studies: a systematic literature review and an empirical application focused on the Brazilian context. The first study maps the current landscape of machine learning applications in work-related accident prediction. Using the Methodi Ordinatio protocol, 340 articles from Scopus and Web of Science were analyzed. The results show a rapid increase in publications, especially after 2020, with ensemble models such as random forest and XGBoost consistently showing superior predictive performance. However, the review also identifies important challenges, including handling imbalanced datasets and the limited interpretability of complex models, which hinder practical use. Based on these findings, the second study explores the use of machine learning to predict the severity of workplace accident outcomes in Brazil, distinguishing between temporary and permanent disabilities. A total of 4,476 records from the National System for Notifiable Diseases (SINAN) were analyzed using multiple classifiers. The random forest model achieved the best performance, with 86.84% accuracy and an F1-score of 86.59%. To improve model interpretability, Shapley Additive Explanations (SHAP) analysis was applied, revealing that the most relevant predictors were the affected body part, the type of accident, and the worker’s occupation. Together, these studies bridge global research trends and national occupational health challenges. By identifying the state of the art and its limitations, and by applying a robust and interpretable model to a national dataset, this work demonstrates the potential of machine learning to enable early risk identification and support targeted occupational health interventions, in alignment with regulatory frameworks and specialized literature in the field. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39901 |
| Aparece nas coleções: | PB - Programa de Pós-Graduação em Engenharia de Produção e Sistemas |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| predicaolesoesacidentetrabalho.pdf | 1,31 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
