L'IRSST est heureux de vous présenter ce nouveau bulletin de veille sur l’intelligence artificielle (IA) en santé et en sécurité du travail (SST). Les thèmes priorisés sont les suivants : - Bénéfices et risques de l’IA sur le travail.
- Bénéfices et risques de l'IA sur la santé et la sécurité des travailleurs.
- Utilisation de l’IA pour améliorer la SST.
- Utilisation de l'IA pour développer des outils visant à traiter des maladies professionnelles.
Les éléments sélectionnés, articles scientifiques et littérature grise, sont fournis « tels quels », sans garantie d'exhaustivité, de fiabilité et d’exactitude. Les articles sont retenus pour leur pertinence avec les objectifs de cette veille, qu’ils soient en libre accès ou non. Voyez avec votre bibliothèque ou centre de documentation pour obtenir les articles non accessibles par prêt entre bibliothèques. Sinon, un outil qui peut vous aider à découvrir la version libre accès d’un article en toute légalité est Unpaywall avec son extension pour Chrome. Par la force des choses, les articles scientifiques seront plus souvent qu'autrement en anglais. La fréquence sera variable, en fonction du volume. Il devrait y avoir une dizaine d'éléments par envoi. Pour les personnes qui voudraient se constituer une bibliothèque EndNote ou Zotero avec les références de cette veille, voir le pied de page, un fichier RIS peut être téléchargé. Membres de la cellule de veille : - Clothilde Brochot, professionnelle de recherche
- Marie Comeau, conseillère en mobilisation des connaissances
- Jessica Dubé, chercheuse
- Catherine Dufresne, technicienne en documentation
- Bénédicte Nauche, conseillère en veille et en information scientifique
- Alireza Saidi, chercheur
Commentaires ou questions sont les bienvenus : Bénédicte Nauche. |
Risques chimiques et biologiques Cai, F., Xue, S., Si, G., Liu, Y., Chen, X., He, J. et Zhang, M. (2024). Prediction and validation of mild cognitive impairment in occupational dust exposure population based on machine learning. Ecotoxicology and Environmental Safety, 285, article 117111. https://doi.org/10.1016/j.ecoenv.2024.117111 Retour vers le sommaire |
Risques physiques, mécaniques et de sécurité Kumar, S., Poyyamozhi, M., Murugesan, B., Rajamanickam, N., Alroobaea, R. et Nureldeen, W. (2024). Investigation of unsafe construction site conditions using deep learning algorithms using unmanned aerial vehicles. Sensors, 24(20). https://doi.org/10.3390/s24206737 Soylemez, E., Avci, I., Yildirim, E., Karaboya, E., Yilmaz, N., Ertugrul, S. et Tokgoz-Yilmaz, S. (2024). Predicting noise-induced hearing loss with machine learning: The influence of tinnitus as a predictive factor. The Journal of Laryngology & Otology. https://doi.org/10.1017/S002221512400094X Sun, Y., Wang, R., Zhang, H., Ding, N., Ferreira, S. et Shi, X. (2024). Driving fingerprinting enhances drowsy driving detection: Tailoring to individual driver characteristics. Accident Analysis & Prevention, 208, 107812. https://doi.org/10.1016/j.aap.2024.107812 Wang, R. J., Yu, W. D., Liao, H. C., Chang, H. K. et Lim, Z. Y. (2024). Cost/benefit analysis of AIoT image sensing for construction safety monitoring. Journal of Engineering, Project, and Production Management, 14(3), article 0022. https://doi.org/10.32738/JEPPM-2024-0022 Yoshioka, N., Takeuchi, H., Shu, Y., Okamatsu, T., Araki, N., Kamakura, Y. et Ohsuga, M. (2024). Combined method comprising low burden physiological measurements with dry electrodes and machine learning for classification of visually induced motion sickness in remote-controlled excavator. Sensors, 24(19). https://doi.org/10.3390/s24196465 Retour vers le sommaire |
Risques ergonomiques Kuber, P. M., Kulkarni, A. R. et Rashedi, E. (2024). How effective are forecasting models in predicting effects of exoskeletons on fatigue progression? Sensors, 24(18). https://doi.org/10.3390/s24185971 Matos, L. M., Dias, P., Matta, A., Machado, D., Sampaio, R., Pilastri, A. et Cortez, P. (2024). Proactive prevention of work-related musculoskeletal disorders using a motion capture system and time series machine learning. Engineering Applications of Artificial Intelligence, 138, article 109353. https://doi.org/10.1016/j.engappai.2024.109353 Yan, G., Yan, H., Yao, Z., Lin, Z., Wang, G., Liu, C. et Yang, X. (2024). Monocular 3D multi-person pose estimation for on-site joint flexion assessment: A case of extreme knee flexion detection. Sensors, 24(19). https://doi.org/10.3390/s24196187 Retour vers le sommaire |
Risques psychosociaux Awada, M., Becerik-Gerber, B., Lucas, G., Roll, S. et Liu, R. (2024). A new perspective on stress detection: An automated approach for detecting eustress and distress. IEEE Transactions on Affective Computing, 15(3), 1153-1165. https://doi.org/10.1109/TAFFC.2023.3324910 Müller, A. et Röttgen, C. (2024). Algorithmic management and human-centered task design: A conceptual synthesis from the perspective of action regulation and sociomaterial systems theory. Frontiers in Artificial Intelligence, 7. https://doi.org/10.3389/frai.2024.1441497 Retour vers le sommaire |
SST et travail en général Mehdi, T. et Morissette, R. (2024). Estimations expérimentales de l’exposition professionnelle potentielle à l’intelligence artificielle au Canada (Rapport no 11F0019M). Statistique Canada. https://www150.statcan.gc.ca/n1/fr/pub/11f0019m/11f0019m2024005-fra.pdf Muehlemann, S. (2024). AI adoption and workplace training. IZA. https://docs.iza.org/dp17367.pdf Padovan, M., Cosci, B., Petillo, A., Nerli, G., Porciatti, F., Scarinci, S., . . . Palla, A. (2024). ChatGPT in occupational medicine: A comparative study with human experts. Bioengineering, 11(1). https://doi.org/10.3390/bioengineering11010057 Trivedi, P. et Alqahtani, F. M. (2024). The advancement of Artificial Intelligence (AI) in Occupational Health and Safety (OHS) across high-risk industries. Journal of Infrastructure, Policy and Development, 8(10), article 6889. https://doi.org/10.24294/jipd.v8i10.6889 Retour vers le sommaire | | | | |
