Melih Gaffar Gözükara
Ankara Yıldırım Beyazıt Üniversitesi, Tıp Fakültesi, Halk Sağlığı AD.

Endüstriyel Hijyende İstatistiksel Yöntemler ve Belirsizlik Analizi: Benzer Maruziyet Grupları Oluşturma, Maruziyet Profili Çıkarma ve Karar Verme Stratejileri

İş hijyeni; iş yerindeki kimyasal, fiziksel ve biyolojik tehlikelere maruz kalma durumlarını sistematik olarak tanımlayarak, değerlendirerek ve kontrol ederek işle ilgili hastalıkları önlemeyi amaçlayan çok disiplinli bir alandır. Günümüz endüstriyel hijyen uygulamaları; modern çalışma ortamlarının artan karmaşıklığını ve salt betimsel maruziyet değerlendirmelerinin doğasından kaynaklanan sınırlılıkları yansıtacak şekilde, belirsizlik altında nicel (kantitatif) karar verme süreçlerine her geçen gün daha fazla dayanmaktadır^(1-3).

İş hijyeni uygulamasında ölçümler; maruziyetin kabul edilebilirliği, mevcut kontrol önlemlerinin yeterliliği ve risk yönetimi müdahalelerinin önceliklendirilmesi konularındaki kararları desteklemek amacıyla toplanır. Güncel kılavuzlar; maruziyet değerlendirmesinin tekil ölçümlere dayanmanın ötesine geçmesi gerektiğini vurgulamaktadır. Bunun yerine, maruziyet verilerinin tipik olarak log-normal olan doğasını tanımaya ve karar verme süreçlerine üst persentil tahminlerini (örneğin 95. persentil) dahil ederek maruziyet dağılımlarını tanımlamaya odaklanılmalıdır^(4-7).

Ölçüm belirsizliği ve maruziyetin doğasında bulunan değişkenlik, özellikle kararlar kısıtlı veri setlerine dayandığında, maruziyetin yanlış sınıflandırılması riskini önemli ölçüde artırır. Bu bağlamda, Bayesyen karar analizi (Bayesian decision analysis) de dahil olmak üzere yapılandırılmış istatistiksel çerçeveler; mesleki yargı ile deneysel verileri entegre etmenin şeffaf bir yolunu sunar. Böylece belirsizlik altında daha savunulabilir, tutarlı ve bilimsel açıdan sağlam maruziyet yönetimi kararlarının alınmasını destekler^(8-11).

Endüstriyel hijyende nicel (kantitatif) karar verme ihtiyacı

İş hijyeni uygulamasında ölçümler, sadece ölçüm yapmış olmak için değil; bilinçli karar verme süreçlerini desteklemek için toplanır. Bu kararlar arasında; müdahale edilecek görev ve süreçlerin önceliklendirilmesi, mevcut kontrol önlemlerinin yeterliliğinin değerlendirilmesi, yüksek risk altındaki çalışan gruplarının belirlenmesi ve ek izleme veya kontrol stratejilerine duyulan ihtiyacın saptanması yer alır. Sonuç olarak, maruziyet değerlendirmesi; tekil konsantrasyon değerlerinin değerlendirilmesinin ötesine geçerek, maruziyet dağılımlarını ve bu dağılımların mesleki maruziyet sınır değerleri (MSD) ile olan ilişkisini tanımlayabilen bir çerçeveye yönelmelidir^(2,3,6).

Güncel kılavuzlar; maruziyet değerlendirmesinin, tek bir ‘anlık görüntü’ (snapshot) ölçümüne güvenmek yerine, çalışanların zaman içinde maruz kaldığı değerlerin aralığını yansıtması gerektiğini vurgulamaktadır. İşle ilgili maruziyet verileri tipik olarak sağa çarpık (right-skewed) olduğu ve log-normal dağılımlar ile iyi bir şekilde tanımlandığı için; anlamlı kararlar alınabilmesi, dağılım parametrelerinin (geometrik ortalama, geometrik standart sapma ve maruziyetin üst persentil tahminleri gibi) hesaplanmasını gerektirir^(4,5,11). Bu çerçeve dahilinde odak noktası; münferit ölçümleri doğrudan MSD’ler ile kıyaslamaktan, maruziyet dağılımının ‘üst kuyruk’ (upper tail) kısmının yasal veya tavsiye edilen sınırları aşma olasılığını değerlendirmeye kaymaktadır. Bu yaklaşım; maruziyet değerlendirme kararlarını açıkça yüksek persentil tahminlerine (yaygın olarak 95. persentil) ve bunlarla ilişkili güven aralıklarına bağlayan EN 689 gibi standartlar da dahil olmak üzere, Avrupa ve uluslararası uyumlaştırma stratejileri bünyesinde resmileştirilmiştir^(12,13). Bu çerçeveler; maruziyet yönetimi kararlarının, sınırlı sayıdaki ölçüm setinin iş yerindeki gerçek maruziyet koşullarını kusursuz bir şekilde temsil edebileceğini varsaymak yerine, hem değişkenliği hem de belirsizliği açıkça hesaba katması gerektiğini kabul etmektedir⁽⁸⁾.

Ölçüm belirsizliği ve maruziyetin yanlış sınıflandırılması riski

Belirsizlik, mesleki maruziyet değerlendirmesinin doğasında bulunan bir özelliktir ve birden fazla kaynaktan doğar. Ölçüm belirsizliği; analitik hataları, örnekleme cihazının performansını, kalibrasyon değişkenliğini ve örnekleme sırasındaki çevresel etkileri kapsar^(6,11). Buna paralel olarak; hem bireysel bazda çalışanların zaman içindeki maruziyetinde hem de benzer görevleri yapan çalışanlar arasındaki maruziyette görülen doğal değişkenlik, özellikle rutin olmayan veya yarı otomatize süreçlerde oldukça yüksek olabilir^(4,14).

Maruziyet kararları az sayıda ölçüme dayandığında, bu belirsizlikler maruziyetin yanlış sınıflandırılması riskini artırır; bu da bir maruziyet senaryosunun hatalı bir şekilde ‘kabul edilebilir’ veya ‘kabul edilemez’ olarak kategorize edilmesine neden olur. Hatalı-negatif kararlar, tehlikeli maruziyetlerin yetersiz kontrol edilmesine yol açabilirken; hatalı-pozitif kararlar ise gereksiz ve yoğun kaynak kullanımı gerektiren müdahalelerle sonuçlanabilir^(3,15). Bu risk; üretim hızlarının, çalışma uygulamalarının ve kontrol performansının zaman içinde dalgalandığı heterojen çalışma ortamlarında özellikle belirgindi^(5,11).

Uyum stratejilerinin karşılaştırmalı değerlendirmelerinden elde edilen kanıtlar; daha yapılandırılmış istatistiksel yaklaşımların, özdeş veri setleri altında daha katı sınıflandırmalar üretebileceğini göstermektedir. Bu durum, maruziyet kararlarının temel alınan istatistiksel varsayımlara  olan hassasiyetini vurgulamaktadır⁽⁸⁾. Bu bulgular; belirsizliğin yalnızca teknik bir kısıtlama değil, endüstriyel hijyende karar kalitesinin merkezi bir belirleyicisi olduğunun altını çizmektedir^(12,13).

Doğal değişkenlik (çalışan içi ve çalışanlar arası değişkenlik)

Ölçüm belirsizliğinden farklı olarak, mesleki maruziyetler değişen çalışma koşulları ve davranışları nedeniyle doğal değişkenlik gösterir. Çalışan içi (zamansal) değişkenlik, aynı çalışan için maruziyetteki günden güne dalgalanmaları yakalarken; çalışanlar arası değişkenlik, benzer görevleri yerine getiren çalışanlar arasındaki farkları yansıtır^(16,17).

Deneysel kanıtlar, çalışan içi değişkenliğin genellikle önemli düzeyde olduğunu ve özellikle dinamik veya rutin olmayan çalışma ortamlarında çalışanlar arası değişkenliği aşabileceğini tutarlı bir şekilde göstermektedir⁽¹⁷⁾. Bu değişkenlik; tekrarlanan ölçümlere, numunelerin çalışanlar ve günler arasında uygun şekilde tahsis edilmesine ve Benzer Maruziyet Grubu (BMG) homojenliğinin dikkatli bir şekilde değerlendirilmesine duyulan ihtiyacın temelini oluşturur^(6,15).

Maruziyet Yönetiminde İstatistiksel Yaklaşımların Rolü

İstatistiksel yöntemler, endüstriyel hijyende belirsizlik altında yapılandırılmış muhakeme sağlayarak ve şeffaf, tekrarlanabilir kararları destekleyerek kritik bir rol oynar. Bu yöntemlerin katkısı geniş anlamda birbiriyle ilişkili üç fonksiyonda kategorize edilebilir^(3,6).

BMG (Benzer Maruziyet Grupları) Oluşturma ve Doğrulama: Çalışanların ortak maruziyet profillerine göre gruplandırılması, sınırlı ölçüm kaynaklarının verimli kullanılmasını sağlar. Ancak bir BMG’nin geçerliliği, önsel (a priori) bir varsayımdan ziyade, maruziyet homojenlik derecesinin değişkenlik metrikleri kullanılarak değerlendirilmesine bağlıdır^(3,15).

Maruziyet Profili Çıkarma: İstatistiksel teknikler, maruziyet seviyelerinin dağılımının özet parametreler ve üst persentil tahminleri kullanılarak tanımlandığı maruziyet profillemesinin temelini oluşturur. Bu yaklaşım, daha gerçekçi bir temsil sunar ve karar verme sürecini sağlık temelli risk eşikleriyle uyumlu hale getirir. ^(4,5,12).

Resmi Maruziyet Sınıflandırması: İstatistiksel karar çerçeveleri maruziyet sınıflandırmasını kolaylaştırır. Geleneksel frekansçı (frequentist) yaklaşımlar güven aralıklarına ve hipotez testlerine dayanır, ancak bu yöntemler iş yerlerinde yaygın bir durum olan küçük örneklem boyutlarında sınırlı kalabilir. Buna yanıt olarak, olasılıksal ve Bayesyen yaklaşımlar önem kazanmıştır. Özellikle Bayesyen karar analizi; geçmiş mesleki yargıları deneysel ölçüm verileriyle entegre eden, belirsizliği açıkça yansıtan sonsal (posterior) maruziyet tahminleri üreten tutarlı bir çerçeve sunar^{(9, 10)}. Bu entegrasyon, endüstriyel hijyenistlerin veri açısından yetersiz koşullarda bile savunulabilir kararlar almasına ve yeni veriler elde edildikçe kararları güncellemesine olanak tanır^(9-11).

Özetle bu gelişmeler, istatistiksel muhakemenin artık endüstriyel hijyen uygulamaları için yardımcı bir unsur değil, etkili maruziyet yönetiminin merkezi olduğunu göstermektedir^{(2, 3)}.

ENDÜSTRİYEL HİJYENDE MARUZİYET VERİLERİNİN DOĞASI

Maruziyet Verilerinin Log-normal Karakteristikleri

Mesleki maruziyet ölçümleri karakteristik olarak sağa çarpıktır ve çoğunlukla bir log-normal dağılım ile iyi tanımlanır. Bu model; emisyon yoğunluğu, çalışma uygulamaları, kaynağa yakınlık, havalandırma etkinliği ve görev değişkenliği gibi maruziyet belirleyicilerinin çarpımsal (multiplikatif) doğasını yansıtır^(4,17,18). Bu nedenle maruziyet dağılımları, aritmetik istatistikler yerine geometrik ortalama (GO) ve geometrik standart sapma (GSS) kullanılarak özetlenmelidir.

Risk yönetimi açısından bu dağılım yapısı, dikkati bireysel ölçümlerden ziyade maruziyet dağılımının üst kuyruk (upper-tail) metriklerine, özellikle yüksek persentillere kaydırır. MSD’ler tipik çalışma koşullarında neredeyse tüm çalışanları korumayı amaçladığından, modern uyum stratejileri giderek maruziyetin üst persentillerinin sağlık temelli eşikleri aşma olasılığına odaklanmaktadır^(8,12).

Zamansal ve Çalışanlar Arası Değişkenlik

Değişkenlik, mesleki maruziyet verilerinin tanımlayıcı bir özelliğidir ve hem çalışan içi (zamansal) hem de çalışanlar arası kaynaklardan kaynaklanır. Görevlerdeki günden güne değişimler, üretim hızları, çevresel koşullar ve kontrol performansı önemli düzeyde zamansal değişkenliğe katkıda bulunurken; bireysel çalışma pratiklerindeki farklılıklar ve mekansal konumlanma ise çalışanlar arası değişkenliğe katkıda bulunur^(16-18). Deneysel çalışmalar tutarlı bir şekilde, özellikle dinamik veya rutin olmayan çalışma ortamlarında, çalışan içi değişkenliğin sıklıkla çalışanlar arası değişkenliğe eşit olduğunu veya bu değerin üzerine çıktığını göstermektedir^(16,18). Bu değişkenliğin; gereken numune sayısı, ölçümlerin çalışanlar ve günler arasındaki dağılımı ve benzer maruziyet gruplarının (BMG) istatistiksel geçerliliği dahil olmak üzere maruziyet değerlendirme tasarımı üzerinde doğrudan etkileri vardır⁽¹⁷⁾.

Tekil Ölçümlerin Sınırlılıkları

Mesleki maruziyetlerin doğasında bulunan değişkenlik göz önüne alındığında, tekil ölçümler karar verme süreci için sınırlı çıkarımsal değer sağlar. Bir günlük bir numune, tipik maruziyet koşullarını temsil etmeyebilir; rutin sınır aşımlarını maskeleyen hatalı-negatif sonuçlar veya riski abartan hatalı-pozitif sonuçlar dahil olmak üzere yanlış sınıflandırmaya yol açabilir^{(17, 19)}.

EN 689’da yer alanlar gibi standart temelli yaklaşımlar, üst persentil tahminleri etrafına güven sınırlarını dahil ederek bu sınırlılığı açıkça ele alır ve böylece seyrek verilere dayalı kararlardaki aşırı güveni azaltır⁽¹²⁾. Mevzuata uyumun ötesinde, tekil veya yüksek derecede değişken ölçümlere dayanmanın maruziyet-tepki ilişkilerini zayıflatabildiği ve istatistiksel gücü azaltabildiği epidemiyolojik araştırmalar için de benzer endişeler geçerlidir⁽¹⁵⁾.

Özetle; maruziyet verilerinin log-normal doğası, önemli zamansal ve bireyler arası değişkenlikle birleştiğinde; izole ölçümlere dayanmak yerine yapılandırılmış örnekleme stratejilerini, grup tabanlı değerlendirmeyi ve belirsizliğe duyarlı istatistiksel karar çerçevelerini zorunlu kılmaktadır^{(4, 12, 17, 18)}.

ENDÜSTRİYEL HİJYENDE BELİRSİZLİK KAVRAMI VE TÜRLERİ

Belirsizlik, mesleki maruziyet değerlendirmesinin doğasında vardır; çünkü ölçümler, uzun vadeli maruziyet koşullarının kusurlu tahminlerini temsil eder. Endüstriyel hijyende belirsizlik; risk sınıflandırmasını, uyum kararlarını ve kontrol önlemlerinin seçimi ile önceliklendirilmesini doğrudan etkiler ^{(3, 5, 6)}.

Analitik belirsizlik: yöntem kesinliği ve sapmasını, ekstraksiyon verimliliğini, kalibrasyon belirsizliğini, matris etkilerini, saptama ve tayin sınırlarını içerir ^{(20, 21)}.

Örnekleme belirsizliği: Pompalar ve akış kontrolü, örnekleme ortamı, çevresel koşullar ve numunelerin taşınmasıyla ortaya çıkan değişkenliği yansıtır ve saha bazlı değerlendirmelerde analitik belirsizliğe eşit olabilir veya onu aşabilir^[6].

Cihaz kaynaklı belirsizlik: Özellikle doğrudan okuma yapan cihazlar için kalibrasyon kayması, çapraz duyarlılık, tepki süresi ve çevresel girişimlerle ilişkilidir ⁽⁶⁾.  Özellikle doğrudan okuma cihazlarında, cihazla ilgili belirsizlik kalibrasyon sapması, çapraz duyarlılık, tepki süresi ve çevresel parazitlerle ilişkilidir. ⁽²²⁾.

Bu bileşenler, rapor edilen bir konsantrasyon değerinin etrafındaki belirsizliği ortaklaşa belirler. Ölçülen değerler bir MSD’ne yakın olduğunda, düşük düzeydeki bir ölçüm belirsizliği bile görünürdeki uyum durumunu önemli ölçüde değiştirebilir ^(20,23).

Modelleme ve varsayım belirsizliği

Üçüncü bir belirsizlik kaynağı, maruziyet değerlendirmesinde kullanılan modelleme seçimlerinden ve varsayımlardan kaynaklanır. Yaygın örnekler arasında; maruziyetin log-normal dağıldığını varsaymak, BMG’leri homojen kabul etmek ve kısıtlı örneklem boyutlarıyla üst persentilleri tahmin etmek için parametrik yöntemler uygulamak yer alır^(5,6).

EN 689 gibi standartlar, uyum kararlarını yüksek persentil tahminlerinin (genellikle 95. persentil) üst güven sınırına bağlayarak bu varsayımları işlevsel hale getirir; böylece modelleme varsayımlarını sınıflandırma sonuçlarının merkezi belirleyicileri yapar^(12,13). Veriler seyrek olduğunda veya dağılımlar varsayılan formlardan saptığında, varsayım belirsizliği genel karar belirsizliğine hakim olabilir⁽¹⁹⁾.

Belirsizliğin risk sınıflandırması üzerindeki etkisi

Belirsizlik, maruziyet senaryolarının kabul edilebilir, belirsiz veya kabul edilemez olarak kategorize edildiği karar aşamasında en sonuç odaklı halini alır. Karar eşiklerinin yakınında belirsizlik; riski azımsayan hatalı-uyumlu kararlar ve gereksiz müdahaleleri tetikleyen hatalı-uyumsuz kararlar dahil olmak üzere yanlış sınıflandırma olasılığını artırır^{(12, 19)}.

Güncel kılavuzlar, güven sınırlarını ve minimum veri gereksinimlerini karar kurallarına dahil ederek bu sorunu ele alır ve böylece farklı karar hatası türlerini açıkça dengeler⁽¹²⁾. Karşılaştırmalı değerlendirmeler, güncellenmiş uyum çerçevelerinin özdeş veri setleri altında daha katı sınıflandırmalar üretebildiğini ve belirsizlik yönetiminin gerçek dünyadaki maruziyet yönetimini ne kadar önemli ölçüde etkilediğini göstermektedir⁽¹²⁾. Olasılıksal ve Bayesyen karar çerçeveleri, kararları olasılıklar cinsinden ifade ederek bu mantığı daha da genişletir ve belirsizliği maruziyet yönetimine dahil etmek için şeffaf bir mekanizma sağlar^{(9, 10)}.

Özetle; endüstriyel hijyende belirsizlik ölçüm süreçlerinden, doğal maruziyet değişkenliğinden ve modelleme varsayımlarından kaynaklanır; maruziyet sınıflandırmasında ve risk yönetimi kararlarında merkezi bir rol oynar⁽²⁾.

BENZER MARUZİYET GRUPLARININ (BMG) İSTATİSTİKSEL TEMELLERİ

Endüstriyel hijyende BMG’lerin tanımı ve rolü

Benzer Maruziyet Grubu (BMG), benzer koşullar altında benzer malzemeler ve kontroller kullanarak benzer görevleri yerine getirdikleri için karşılaştırılabilir bir maruziyet profilini paylaşması beklenen bir grup çalışandır. BMG tabanlı uygulama, tüm çalışanların kapsamlı kişisel örneklemesinin mümkün olmadığı durumlarda verimli izleme ve hedeflenmiş kontroller sağladığı için modern maruziyet değerlendirmesinin temel taşıdır. Kavramsal olarak BMG’ler, örnekleme yükünü azaltırken yüksek riskli alt grupların belirlenme olasılığını artıran “maruziyet bölgesi” mantığını genişletir ⁽²⁴⁾.

Kalitatif (gözlem odaklı) BMG oluşturma

Uygulamada BMG oluşumu; süreç haritalama, görev analizi, kontrol yöntemlerinin belirlenmesi, çalışma modeli değişkenliği ile emisyon kaynaklarının ve maruziyet yollarının belirlenmesi gibi kalitatif iş yeri tanımlamasıyla başlar. Rehber dokümanlar, BMG’lerin sadece iş unvanına göre değil; maruziyet belirleyicileri (etken madde, görev, kontrol durumu, yakınlık, havalandırma, sıklık/süre) kullanılarak tanımlanması gerektiğini vurgular⁽²⁵⁾.

Kantitatif (veri odaklı) BMG doğrulaması

Kalitatif gruplandırma homojenliği aşırı varsayabildiği için kantitatif (nicel) doğrulama kritiktir. Deneysel kanıtlar, iş unvanı ve iş yerine göre tanımlanan birçok “homojen” grubun tek tip maruziyete sahip olmadığını ve sözde gruplar içindeki maruziyet aralıklarının geniş olabileceğini göstermektedir ⁽¹⁸⁾. Buna bağlı olarak modern yaklaşımlar; BMG homojenliğinin dağılım özetleri ve varyans bileşenleri (çalışan içi ve çalışanlar arası değişkenlik) kullanılarak değerlendirilmesini ve ölçülen değişkenlik heterojenliğe işaret ettiğinde BMG’lerin revize edilmesini önermektedir ⁽¹⁸⁾.

Homojenlik varsayımları ve istatistiksel etkileri

BMG tabanlı çıkarım, gruptaki çalışan maruziyetlerinin ortak bir maruziyet dağılımı (genellikle yaklaşık olarak log-normal kabul edilir) ile temsil edilebileceğini dolaylı olarak varsayar. Bu varsayım başarısız olduğunda (örneğin karma görevler, dalgalanan kontrol durumları), persentil tabanlı uyum metrikleri ve karar kuralları, özellikle küçük örneklem boyutlarında taraflı veya kararsız olabilir. Standartlar ve kılavuzlar, grup düzeyinde kararlar alırken değişkenlik ve belirsizliğin açıkça hesaba katılmasını vurgular ^{(8, 25)}.

Geometrik ortalama (GO) ve geometrik standart sapma (GSS)

Mesleki maruziyet verileri yaygın olarak sağa çarpık olduğundan, BMG maruziyet dağılımlarını özetlemek için GO ve GSS yaygın olarak kullanılır. GO, çarpımsal bir ölçekte merkezi eğilimi temsil ederken; GSS yayılımı (dağılımı) niceliksel olarak ifade eder. Daha büyük GSS değerleri, daha fazla heterojenliğe ve küçük örneklem setlerinin temsil gücünün daha zayıf olduğuna işaret eder ^{(3, 25)}. 

GSS eşiklerinin yorumlanması

Uygulamalı iş hijyeninde GSS, BMG homojenliğinin pratik bir göstergesi olarak sıklıkla kullanılır; 2’ye yakın değerler orta dereceli değişkenliği, daha yüksek değerler ise önemli düzeyde dağılımı ve tabakalama veya ek örnekleme ihtiyacının arttığını gösterir. Bazı mesleki eğitim ve uygulama materyalleri sezgisel eşikler (örneğin, kabul edilebilir homojenlik için bir genel kural olarak “ GSS < 3”) kullanırken; resmi karar çerçeveleri, tek bir GSS kesme noktasına dayanmak yerine giderek daha fazla persentil/güven sınırı yaklaşımlarını tercih etmektedir ^{(3, 25)}.

BMG ayırma ve yeniden tanımlama stratejileri

SD yüksek olduğunda veya varyans ayrıştırması önemli düzeyde çalışanlar arası değişkenliğe işaret ettiğinde; BMG’ler farklı görevler, kontrol durumları, konumlar veya zamansal modeller (rutin vs. rutin olmayan) ayrılarak rafine edilmelidir. Pratik kılavuzlar yinelemeli BMG rafinasyonunu şu şekilde tanımlar: BMG’yi tanımla → ölçüm yap → değişkenliği değerlendir → gerektiğinde BMG’yi yeniden tanımla ^{(3, 25-27)}.

“Kritik BMG” kavramı

Maruziyet değerlendirme programları sıklıkla bir kritik BMG belirler: Bu, en yüksek maruziyetleri veya sınır aşımlarını yaşaması en muhtemel olan, kontrolleri ve izlemeyi önceliklendirmek için kullanılan gruptur. Programatik maruziyet stratejileri, önleyici etkiyi en üst düzeye çıkarmak için erken örneklemenin açıkça yüksek riskli BMG’lere (örneğin, yüksek emisyon potansiyeli, zayıf kontroller, sık yakın temaslı görevler) odaklanmasını tavsiye eder (26, 27). 

MARUZİYET PROFİLİ ÇIKARMA YAKLAŞIMLARI

Maruziyet profili kavramı

Bir maruziyet profili, bir BMG’nin (Benzer Maruziyet Grubu) maruziyet dağılımını ve bu dağılımın ilgili maruziyet sınır değerleriyle ilişkisini özetler. Profillleme; tekil ölçümlere dayanmak yerine, tutarlı karar vermeyi desteklemek ve kontroller uygulandıktan sonraki değişiklikleri izlemek için dağılım parametrelerini ve/veya kuyruk metriklerini (tail metrics) kullanır ^{(25, 28, 29)}. 

Persentil tabanlı değerlendirme (P95 yaklaşımı)

Pek çok uyum ve karar çerçevesi, maruziyetin üst kuyruğunun koruyucu bir temsili olarak 95. persentili (P95) vurgular. EN 689 tipi yaklaşımlar; veriler sınırlı olduğunda yanlış sınıflandırma riskini azaltmak için persentil tahminlerini ve güven sınırlarını kullanarak kararları resmileştirir ⁽⁸⁾. Karşılaştırmalı analizler, farklı standartların/stratejilerin (örneğin P95 tabanlı kurallar ile sınır aşım oranı tabanlı kurallar) aynı veri seti üzerinde farklı uyum sonuçları verebileceğini göstermekte; bu da istatistiksel seçimin operasyonel etkisinin altını çizmektedir ^{(8, 30)}.

Zaman Ağırlıklı Ortalama, Kısa Süreli Maruziyet Sınırı Ve Tavan Değer (Ceiling) Bağlamlarında Profilleme

Maruziyet profillemesi, sınır değerlerin sağlık temelindeki yapısıyla uyumlu olmalıdır: Kronik risk için 8 saatlik Zaman Ağırlıklı Ortalama (TWA), kısa süreli pikler için Kısa Süreli Maruziyet Sınırı (STEL) ve akut tehlike potansiyeli olan etkenler için tavan değerler. Bu; uygun örnekleme sürelerinin ve analitik özetlerin seçilmesini gerektirir (görev tabanlı kısa süreli numuneler, tam vardiyalı kişisel numuneler veya ilgili durumlarda sürekli doğrudan okuma). Rehber dokümanlar, örnekleme tasarımının karar bağlamıyla (rutin tam vardiya ile dönemsel pikler) eşleşmesi gerektiğini vurgular ^{(25, 31)}.

Profil tabanlı risk sınıflandırması

Profil tabanlı sınıflandırma, dağılımları eyleme dönüştürülebilir kategorilere (örneğin kabul edilebilir/belirsiz/kabul edilemez veya kontrol kategorileri) dönüştürerek zaman ve mekan genelinde tutarlı bir risk yönetimi sağlar. Modern çerçeveler, aşırı güvenli kararlardan kaçınmak için belirsizlik yönetimini (güven sınırları veya sonsal olasılıklar) sürecin içine dahil eder ⁽²⁵⁾.

GELENEKSEL İSTATİSTİKSEL KARAR YAKLAŞIMLARI

Deterministik karşılaştırmalar (ölçüm-limit kıyaslaması)

En basit yaklaşım, münferit ölçümleri (veya özet istatistikleri) doğrudan bir MSD ile karşılaştırır. Sadeliği nedeniyle cazip olsa da, bu yöntem maruziyetin dağılımsal doğasını göz ardı ettiği ve “iyi gün/kötü gün” örneklemesinden kaynaklanan yanlış sınıflandırmayı artırabildiği için oldukça değişken ortamlarda güvenilmez olabilir ^{(25, 30)}.

Güven aralıkları ve tek taraflı testler

Daha resmi frekansçı (frequentist) yaklaşımlar, güven aralıklarını ve tek taraflı testleri (örneğin, bir üst güven sınırının MSD’nin altında olup olmadığını test etmek) sürece dahil eder. EN 689 tarzı yöntemler; yüksek persentil kuyruk metriklerini ve güven mantığını kullanarak bu fikirlerin yapılandırılmış, karar odaklı uygulamaları olarak yorumlanabilir  ^{(13, 25)}.

Hatalı-negatif ve hatalı-pozitif karar riskleri

Herhangi bir uyum stratejisi iki hata türünü örtük olarak dengeler: Hatalı uyum (riski azımsama) ve hatalı uyumsuzluk (riski abartma). Karşılaştırmalı çalışmalar; daha yeni ve daha yapılandırılmış uyum yaklaşımlarının, hatalı uyum riskinin daha sıkı kontrol edilmesini yansıtacak şekilde, özdeş veri setleri altında daha fazla BMG’yi “uyumsuz” olarak sınıflandırabildiğini göstermektedir ⁽⁸⁾.

OLASILIKSAL YAKLAŞIMLAR

Olasılık dağılımlarının kullanımı

Olasılıksal çerçeveler, maruziyeti bir nokta tahmini yerine bir dağılım olarak ele alır; parametrelerdeki (örneğin GO/GSS) ve kuyruk metriklerindeki (örneğin P95) belirsizliği nicelleştirir. Bu durum, kararların ikili etiketler yerine olasılıklar olarak ifade edilmesini destekler ⁽²⁹⁾.

MSD’nin aşılma olasılığı

Doğal bir olasılıksal metrik, maruziyetin bir MSD’ni aşma olasılığıdır (veya P95’in MSD’ni aşma olasılığı). Standartlar ve metodolojik makaleler; aşım oranı kurallarının ve persentil tabanlı kuralların nasıl işlevsel hale getirilebileceğini ve karşılaştırılabileceğini göstermektedir ⁽⁶⁾.

Risk tabanlı karar stratejileri

Risk tabanlı stratejiler; aşım olasılığının kabul edilebilir toleransın anlamlı derecede üzerinde olduğu ve sonuçların en ağır olduğu durumlara (örneğin yüksek derecede toksik maddeler, hassas çalışanlar, zayıf kontroller) öncelik verir. Bu tür stratejiler, belirsizliğe duyarlı izleme programları ve aşamalı kontrol kararlarıyla iyi uyum sağlar ⁽²⁾.

BELİRSİZLİK ALTINDA KARAR VERME

Kabul edilebilir, belirsiz ve kabul edilemez maruziyet bölgeleri

Belirsizliğe duyarlı çerçeveler bölgeleri açıkça tanımlar: Açıkça kabul edilebilir (MSD’nin oldukça altında), açıkça kabul edilemez (yüksek aşım olasılığı) ve daha fazla verinin veya daha güçlü kontrollerin gerekebileceği bir orta “belirsiz” bölge. Bu mantık, güven sınırlarını kullanan uyum rehberlerine ve Bayesyen kategori tabanlı karar çizelgelerine yansıtılmıştır ^{(3, 9)}.

Yanlış sınıflandırma riskinin yönetilmesi

Karar kuralları, sağlık risklerinin yüksek olduğu durumlarda hatalı uyum (false compliance) olasılığını azaltacak şekilde tasarlanmalıdır. EN 689 ve ilgili rehberler, bu yanlış sınıflandırma riskini yönetmek için istatistiksel korumaları (güven mantığı, minimum örnekleme beklentileri) bünyesine katar ^{(3, 13)}.

Eylem eşikleri ve ihtiyatlılık ilkesi

Sonuçlar ağır veya belirsizlik yüksek olduğunda, kesin istatistiksel onay beklenmeden ihtiyati eylem uygun olabilir. Uygulamada bu durum genellikle kontrol iyileştirmelerine öncelik verilmesi ve etkinliğin takip izlemesiyle teyit edilmesi anlamına gelir ^{(13, 17)}.

İSTATİSTİKSEL YAKLAŞIMLARIN UYGULANMASINDAKİ PRATİK ZORLUKLAR

Sınırlı örneklem boyutları

Maliyet, operasyonel kısıtlamalar ve çalışan üzerindeki yük nedeniyle küçük veri setleri yaygındır. Bu durum, kuyruk tahminlerindeki ve BMG homojenlik testlerindeki belirsizliği artırarak yapılandırılmış stratejileri (BMG tabanlı tahsis, güven sınırları, Bayesyen güncelleme) teşvik eder ^{(3,19,26, 32)}.

Heterojen iş süreçleri

Karma görevli roller, sık değişimler ve değişken kontrol performansı; BMG homojenlik varsayımlarını bozabilir ve dağılım tabanlı çıkarımları istikrarsızlaştırabilir. Deneysel değişkenlik bulguları, dinamik BMG tanımlarına ve görev/kontrol-durumu tabakalama ihtiyacına vurgu yapmaktadır^{(26, 27)}.

Küçük işletmelerdeki veri kısıtları

Küçük işletmeler genellikle sistematik izleme ve endüstriyel hijyen uzmanlığından yoksundur; bu da basitleştirilmiş stratejilere ve kalitatif yargılara olan bağımlılığı artırır. Bu durum, şeffaf belirsizlik yönetiminin ve pragmatik, ölçeklenebilir karar kurallarının önemini artırmaktadır ^{(3, 33)}.

Pratiklik ile istatistiksel titizliği dengelemek

Aşırı karmaşık istatistiksel prosedürler benimsenme oranını düşürebilir; aşırı basit kurallar ise yanlış sınıflandırmayı artırabilir. Rehber dokümanlar, gerçek iş yerlerinde uygulanabilirliğini koruyan karar odaklı yaklaşımları giderek daha fazla vurgulamaktadır ⁽³⁾.

GELECEK PERSPEKTİFLERİ VE GELİŞMEKTE OLAN YAKLAŞIMLAR

Büyük veri ve sürekli izleme

Doğrudan okuma ve gerçek zamanlı teknolojiler, zaman ve mekan genelinde daha yüksek çözünürlüklü maruziyet tanımlamasına olanak tanıyarak kısa süreli piklerin ve kontrol hatalarının tespitini iyileştirme potansiyeli taşır ^{(34, 35)}.

Sensör tabanlı ölçümler ve zaman serisi analitiği

“Giyilebilir cihazlar ve düşük maliyetli sensör ağları, zaman serisi analizini ve olay tespitini destekleyen sürekli sinyaller sunarak iş yeri izlemesi için giderek daha fazla incelenmektedir. İncelemeler hem faydaları (hızlı geri bildirim, daha geniş kapsam) hem de kısıtlamaları (kalibrasyon kayması, gizlilik, kurulum zorlukları) tanımlamaktadır ^{(34, 35)}.

Yapak zeka destekli maruziyet modellemesi

Makine öğrenimi ve olasılıksal modeller; toz ve aerosol metrikleri de dahil olmak üzere, sensör sinyallerinden ve bağlamsal değişkenlerden mesleki maruziyetleri tahmin etmek için uygulanmaktadır. İş yeri ortamlarındaki çalışmalar uygulanabilirliği ortaya koyarken, aynı zamanda referans örnekleme ile doğrulamaya ve açık bir belirsizlik tanımlamasına duyulan ihtiyacı vurgulamaktadır ^(34-36).

Karar destek sistemlerinin evrimi

Veri akışları büyüdükçe, karar destek araçları; BMG (Benzer Maruziyet Grubu) mantığını, olasılıksal çıkarımı ve Bayesyen güncellemeyi operasyonel gösterge panelleriyle (dashboards) giderek daha fazla entegre edecektir. “Ekspozom” (exposome) kavramlarını çalışma hayatı sağlığına uygulayan daha kapsamlı girişimler; önleme ve politika geliştirme amacıyla karmaşık, çok kaynaklı maruziyet bilgilerini entegre etme eğilimini örneklendirmektedir ^{(37, 38)}.

Son olarak; güven sınırı karar kuralları ve Bayesyen güncelleme yoluyla yapılan sistematik belirsizlik yönetimi, yanlış sınıflandırma riskini azaltır ve şeffaf, savunulabilir maruziyet kontrol kararlarını destekler. Gelişmekte olan sensör, yapay zeka ve “exposome” odaklı yaklaşımların; ölçüm kalitesi, belirsizlik ve yönetişimin merkezi tasarım ilkeleri olarak kalması kaydıyla, maruziyet istihbaratını daha da güçlendirmesi muhtemeldir.

 

Kaynaklar:

1.Greenfield D. Safety and health at the heart of the past, present, and future of work: A perspective from the international labour organization. American Journal of Public Health. 2020;110(5):646. 2.Association AIH. Principles of Good Practice for Occupational Exposure Assessment Falls Church (VA): American Industrial Hygiene Association; 2024 [Available from: https://www.aiha.org/get-involved/volunteer-groups/advisory-groups-and-other-project-teams/advancing-the-science-and-practice/principles-of-good-practice. 3.Steven D. Jahn WHB, Joselito S. Ignacio. A Strategy for Assesing and Managing Occupational Exposures Fourth Edition: American Industrial Hygiene Association; 2024. 423 p. 4.Rappaport S. Assessment of long-term exposures to toxic substances in air. The Annals of occupational hygiene. 1991;35(1):61-122. 5.Rappaport SM, Kupper LL. Quantitative exposure assessment: Stephen Rappaport; 2008. 6.Leidel NA. Occupational exposure sampling strategy manual: US Department of Health, Education, and Welfare, Public Health Service …; 1977. 7.Högberg J, Järnberg J. Approaches for the setting of occupational exposure limits (OELs) for carcinogens. Critical reviews in toxicology. 2023;53(3):131-67. 8.D’Errico A, Houba R, Kromhout H. Is the new EN689 a better standard to test compliance with occupational exposure limits in the workplace? Annals of Work Exposures and Health. 2022;66(3):412-5. 9.Hewett P, Logan P, Mulhausen J, Ramachandran G, Banerjee S. Rating exposure control using Bayesian decision analysis. Journal of occupational and environmental hygiene. 2006;3(10):568-81. 10.Logan PW, Ramachandran G. Bayesian decision analysis for industrial hygiene. 2015. 11.Ramachandran G. Toward better exposure assessment strategies—the new NIOSH initiative. Annals of occupational hygiene. 2008;52(5):297-301. 12.Vincent RY. 1717a En 689: the new european standard on testing compliance with occupational exposure limit values. BMJ Publishing Group Ltd; 2018. 13.Standardization ECf. EN 689 Workplace Exposure: Measurement of Exposure by Inhalation to Chemical Agents: Strategy for Testing Compliance with Occupational Exposure Limit Values. European Committee for Standardization (CEN) Brussels, Belgium; 2018. 14.Burstyn I, Teschke K. Studying the determinants of exposure: a review of methods. American Industrial Hygiene Association Journal. 1999;60(1):57-72. 15.Seixas NS, Sheppard L. Maximizing accuracy and precision using individual and grouped exposure assessments. Scandinavian journal of work, environment & health. 1996:94-101. 16.Symanski E, Maberti S, Chan W. A meta-analytic approach for characterizing the within-worker and between-worker sources of variation in occupational exposure. Annals of Occupational Hygiene. 2006;50(4):343-57. 17.Rappaport S, Lyles R, Kupper L. An exposure-assessment strategy accounting for within-and between-worker sources of variability. The Annals of occupational hygiene. 1995;39(4):469-95. 18.Kromhout H, Symanski E, Rappaport SM. A comprehensive evaluation of within-and between-worker components of occupational exposure to chemical agents. The Annals of occupational hygiene. 1993;37(3):253-70. 19.Ogden T. Handling results below the level of detection. Oxford University Press; 2010. p. 255-6. 20.Ashley K. NIOSH manual of analytical methods 5th edition and harmonization of occupational exposure monitoring. Gefahrstoffe, Reinhaltung der Luft= Air quality control/Herausgeber, BIA und KRdL im VDI und DIN. 2015;2015(1-2):7. 21.ISO. I, OIML B. Guide to the Expression of Uncertainty in Measurement: Aenor Madrid, Spain; 1993. 22.Coffey CC, Pearce T. Integrating direct-reading exposure assessment methods into industrial hygiene practice. 2011. 23.Glavič-Cindro D, Hazou E, Korun M, Krištof R, Osterman P, Petrovič T, et al. Measurement uncertainty arising from sampling of environmental samples. Applied Radiation and Isotopes. 2020;156:108978. 24.Corn M, Esmen NA. Workplace exposure zones for classification of employee exposures to physical and chemical agents. Am Ind Hyg Assoc J. 1979;40(1):47-57. 25.Derby PP. Testing compliance with occupational exposure limits for airborne substances. BOHS & NVvA. 2011. 26.Irving G, Djukic F, Tiernan G, Hedges K. Similar exposure groups (SEGs) and the importance of clearly defining them. Recuperado de http://www qldminingsafety org au/_dbase_upl/Similar_Exposure_Groups doc (Consultado en noviembre de 2016). 2008. 27.Petit P, Bicout DJ, Persoons R, Bonneterre V, Barbeau D, Maître A. Constructing a database of similar exposure groups: the application of the exporisq-HAP database from 1995 to 2015. Annals of Work Exposures and Health. 2017;61(4):440-56. 28.Rappaport S. Exposure assessment strategies: Lewis Publishers Chelsea, MI; 1991. 29.Bullock WH, Ignacio J, Ignacio JS. A strategy for assessing and managing occupational exposures: AIHA; 2006. 30.Clerc F, Vincent R. Assessment of occupational exposure to chemicals by air sampling for comparison with limit values: the influence of sampling strategy. Annals of occupational hygiene. 2014;58(4):437-49. 31.Cattaneo A, Cauda EG, Cavallo D, Howard J, Snawder JE, Spinazzè A. A NIOSH Perspective on Direct-Reading Methodologies and Real-Time Monitoring in Occupational Environments. 2022. 32.Sarpy SA, Rabito F, Goldstein N. Sampling in occupational health psychology: An epidemiological perspective.  Research methods in occupational health psychology: Routledge; 2012. p. 229-47. 33.Champoux D, Brun J-P. Occupational health and safety management in small size enterprises: an overview of the situation and avenues for intervention and research. Safety science. 2003;41(4):301-18. 34.Ozobu CO, Adikwu FE, Cynthia OO, Onyeke FO, Nwulu EO. Developing an AI-powered occupational health surveillance system for real-time detection and management of workplace health hazards. World Journal of Innovation and Modern Technology. 2025;9(1):156-85. 35.Lamond A, editor Managing Occupational Health Risk Through Real-Time Data. SPE Gas & Oil Technology Showcase and Conference; 2025: SPE. 36.Chirico F, Magnavita N. Artificial intelligence in occupational health practice. Advances in Medicine, Psychology, and Public Health. 2024;1(1):3-5. 37.Mohammadi H, Rabiei H, Dehghan SF. Emerging technologies in occupational health and safety. Frontiers; 2023. p. 1117396. 38.Flor-Unda O, Fuentes M, Dávila D, Rivera M, Llano G, Izurieta C, et al. Innovative technologies for occupational health and safety: a scoping review. Safety. 2023;9(2):35.