fitto.work — Hekimin yanında, bilimin gücüyle

01 · Sorun

Bir an, üç imkânsızlık.

Endüstriyel sahada işyeri hekiminin önünde üç sert gerçek vardır. fitto.work bunların üçünü birden çözmek için tasarlandı.

Problem 1 · Kapasite

1 : 400

Tek hekim, yüzlerce işçi

Herkesi her vardiya muayene etmek fiziksel olarak imkânsız; karar birkaç dakikaya ve sezgiye sıkışır.

Problem 2 · Veri duvarı

~%1.5

Ciddi kaza nadirdir

Modeli doğrudan kazadan öğretmek için yeterli veri asla birikmez. Nadir olayı doğrudan tahmin etmek baştan kaybedilmiş bir yarıştır.

Problem 3 · Objektiflik

?

"Bu işçi uygun mu?"

Aynı bulgu farklı hekimde farklı sonuca dönüşebilir. İzlenebilir, tekrarlanabilir, savunulabilir bir zemin yoktur.

Çehov'un silahı: Özellikle 2. problem — veri duvarı — bilinçle erken açılıyor. Sistemin en zarif fikri olan kapalı döngü tam da bu duvarı yıkacak; o sözü finalde tutacağız.

02 · Mimari

Tek makine. İki çıktı. Bir döngü.

Dört ayrı araç değil — revir etrafında dönen tek bir sistem. Her parça aynı veriyi besler ve aynı veriden öğrenir.

Girdi · doğal akış

🏥 REVİR — kim gelirse

Şikâyetle gelen + periyodik + işe dönüş + yüksek-riskli görev öncesi → tek doğal akış. Herkesi muayene etmeye gerek yok; sistem gelenlerle çalışır.

↓

✓Değerlendirme (gören işçide)

Hekim bir işçiyi gördüğü an ham bulgudan yeşil/sarı/kırmızı + imzalı kayıt üretir.

→ I-EWS · lojistik regresyon · belirsizlik aralığı

📡Erken uyarı (tüm işyeri)

Gelen ziyaretler birikince anormal kümeyi ~günler önceden yakalar — kimseyi zorlamaya gerek yok.

→ sendromik gözetim · CUSUM · Poisson aşımı

↓

🔄

Öğrenir → keskinleşir

Değerlendirmenin tahmini, erken uyarının kaydettiği sonuçla eşleşir; model kendini doğrular, kalibre olur, revire geri besler.

Neden census gerekmez: Sistem herkesi taramaya dayanmaz — bu zaten imkânsız. Revire kim gelirse onunla çalışır. Sendromik gözetim, nüfusu taramaya değil kendiliğinden başvuranlara dayanır (acil servisin bir salgını yakalaması gibi).

Revirde bir gün

🩺

01

İşçi gelir

Şikâyetle, periyodik/işe dönüş ya da yüksek-riskli görev öncesi.

🚦

02

Değerlendir

60 sn'de yeşil/sarı/kırmızı + gerekçe + imzalı kayıt.

📋

03

Tek ziyaret, iki iş

O ziyaret hem değerlendirilir hem gözetim sinyaline düşer.

📡

04

Uyar

Bir birimde ziyaret kümelenirse erken uyarı çalar.

🔄

05

Öğren

Tahmin↔sonuç eşleşir; zamanla skor biraz daha doğru.

03 · Formül

Altı kanıt, tek bir olasılık.

I-EWS (Industrial Early Warning Score), bir işçinin vardiya öncesi durumunu altı ayrı bilimsel ölçütten değerlendirip, veriden öğrenilmiş ağırlıklarla kalibre bir risk olasılığına çeviren bir erken-uyarı modelidir. fitto.work bu sütunları icat etmez — belirli bir amaç için birleştirir.

I-EWS · kalibre risk modeli (lojistik regresyon)

p = σ ( −6.75 + 0.45·CP + 0.35·NEU
+ 1.2·(M−1) + 0.04·%HRR
+ 0.5·WBGT + 0.45·Uyku + 0.18·SB )

σ = sigmoid · ağırlıklı toplamı (z) 0–100% kalibre olasılığa çevirir · katsayılar veriden öğrenildi

Klinik (kardiyopulmoner + nöro) İş yükü çarpanı Yaş çarpanı Termal stres Uyku yoksunluğu Apne riski

VERİDEN Ağırlıklar tahmin değil

Katsayılar (0.45, 0.35, …) elle konmaz; sonucu bilinen binlerce vakadan IRLS ile öğrenilir, AUROC + kalibrasyonla doğrulanır. "Klinik yük işle katlanır, ısı/uyku/apne ayrı kanaldır" mantığı modelin içinde log-odds toplamı olarak kendiliğinden yakalanır.

z = −6.75 + Σ ağırlık · sütun

σ SİGMOİD Çıktı: anlamlı olasılık

Sigmoid, ağırlıklı toplamı (z) 0–100% arası bir olasılığa çevirir — "kaç yüzde risk" sorusunu yanıtlar. Yeşil/sarı/kırmızı eşikleri de sezgiyle değil, gerçek veriden seçilir.

p = 1 / (1 + e^−z) → 🟢 🟡 🔴

Altı sütun, altı bilimsel standart

❤️

NEWS2 — Kardiyopulmoner & Nöro

CP 0–14 · NEU 0–6

Nabız, solunum, SpO₂, kan basıncı (CP) + bilinç ve ateş (NEU). Hastane erken-uyarı sisteminin sahaya uyarlanmış hâli.

RCP London — NEWS2, 2017

🏗️

İş Yükü — MET çarpanı

1.0 / 1.3 / 1.6

İşin metabolik ağırlığı. Klinik yükü çarpan olarak etkiler.

Ainsworth ve ark. — Compendium, 2011

📈

Yaş — %HRR çarpanı

k = 1.0 / 1.10 / 1.15

Kalp rezervi (%HRR) yaşa göre yorumlanır; çift sayma yapmadan ölçeklenir.

Tanaka, Monahan, Seals — JACC, 2001

🌡️

Termal — WBGT

0 / 1 / 2 / 3

Yaş-küre sıcaklık indeksi: nem ve radyan ısıyı da içerir; ortam sıcaklığından çok daha doğru.

ISO 7243:2017 — termal çevre

🌙

Uyku Yoksunluğu

0 / 1 / 2 / 3

Vardiya öncesi uyku süresi dilimi. Dikkat ve reaksiyon süresini doğrudan etkiler.

NIOSH — Shift Work, 2016

😮‍💨

Apne — STOP-BANG

0–8 → ×0.7

Uyku apnesi tarama anketi. Kronik bir risk olduğu için akut bulgulardan ayrılır.

Chung ve ark. — Anesthesiology, 2008

Formülü kendin dene

Değerleri oynat; altı sütunun veriden kalibre risk olasılığını ve bölgesini canlı gör. "Ahmet'i yükle" ile gerçek bir vakayı dene.

Canlı I-EWS motoru

NEWS2-CP (0–14)

4

NEWS2-NEU (0–6)

1

İş yükü (MET)

%HRR (0–100)

40

WBGT termal (0–3)

1

Uyku puanı (0–3)

1

STOP-BANG (0–8)

2

—

kalibre risk olasılığı

Risk skoru (z) · bölge

——

I-EWS, altı bilimsel sütunu veriden öğrenilmiş ağırlıklarla birleştirir ve kaç yüzde risk olduğunu söyleyen kalibre bir olasılık üretir. Yeşil/sarı/kırmızı eşikleri de gerçek veriden seçilir — karar destek, otonom değil. Nasıl elde edildiğini birazdan Ahmet'le adım adım göreceğiz.

Bir işçide dene — Değerlendirme aracı ↗Kalibre Motoru'nu aç ↗

04 · Kaynaklar

Her sayının bir kaynağı var.

Formülü besleyen altı sütunun her biri, kendi alanında hakemli dergilerde onlarca yıldır doğrulanmış bir standarttan gelir.

Standart	Ne için	Künye
NEWS2	Kardiyopulmoner + nöro klinik skor	Royal College of Physicians. NEWS2. RCP London, 2017.
Tanaka HRmax	Yaşa göre maksimum nabız ve %HRR çarpanı	Tanaka H, Monahan KD, Seals DR. JACC. 2001;37(1):153–6.
MET / Compendium	İşin metabolik ağırlığı (iş yükü çarpanı)	Ainsworth BE ve ark. Med Sci Sports Exerc. 2011;43(8):1575–81.
WBGT	Nem + radyan ısı dahil termal stres	ISO 7243:2017. Ergonomics of the thermal environment.
NIOSH	Vardiya çalışması ve uyku yoksunluğu eşikleri	NIOSH. Work Schedules: Shift Work and Long Hours. 2016.
STOP-BANG	Obstrüktif uyku apnesi tarama anketi	Chung F ve ark. Anesthesiology. 2008;108(5):812–21.

İstatistiksel yöntemler (lojistik regresyon, AUROC, kalibrasyon, bootstrap, TRIPOD, CUSUM, Poisson aşımı) de yarım yüzyıllık standart biyoistatistik araçlardır — Cox 1958, Hanley & McNeil 1982, Hosmer-Lemeshow 2000, Harrell 2015, Collins/TRIPOD 2015, Page 1954, Farrington 1996.

05 · Tam çözümlü vaka

Ahmet, baştan sona.

52 yaşında bir kazan dairesi operatörü, vardiya öncesi muayenede. Ham bulgulardan başlıyoruz; her skorun nasıl hesaplandığını gösteriyor, sonra formül, sigmoid ve kalibre sonucuna ulaşıyoruz. Hiçbir skor elle girilmez.

Ölçüm (ham)	Değer	NEWS2	Skora
Solunum hızı	24/dk	2	CP
SpO₂	%93	2	CP
Oksijen desteği	Hayır	0	CP
Sistolik KB	105	1	CP
Nabız	112/dk	2	CP
NEWS2-CP toplamı		7	0–14
Bilinç (ACVPU)	Açık	0	NEU
Ateş	38.6°C	1	NEU
NEWS2-NEU toplamı		1	0–6

%HRR · Karvonen/Tanaka

HRmax = 208 − 0.7×52 = 172
%HRR = (112−64)/(172−64)×100 = 44

İş yükü · MET

Kazan dairesi, ağır iş → 1.6

WBGT · ISO 7243

Ölçülen 29°C → band 2 (28–30)

Uyku · NIOSH

Dün gece 4 saat → band 2 (3–5s)

STOP-BANG

T, P, A(yaş>50), N, G → 5 / 8

Bu altı skor artık hazır. Aşağıda kaydır — aynı altı sayının formülde ve kalibre modelinde nasıl tek bir karara dönüştüğünü adım adım izle.

Tanışma

Ahmet, 52 · kazan dairesi

Yukarıda ham bulgulardan hesapladığımız altı skor elimizde. Bazıları riskli: NEWS2-CP 7, apne 5, ortam sıcak. Tek tek bakınca karar zor.

6 skor → 1 karar

Model

Her sütun, kanıta dayalı ağırlıkla

I-EWS her sütuna veriden bulunmuş bir katkı verir (lojistik regresyon). En büyük pay NEWS2-CP'de. Taban −6.75 ile toplanınca z = 2.03 çıkar.

z = −6.75 + Σ ağırlık·sütun

Dönüşüm

z skoru → risk olasılığı

Sigmoid eğrisi z'yi 0–1 arası olasılığa çevirir. z=2.03, eğride %88'e denk gelir — "kaç yüzde risk" sorusunun yanıtı.

p = 1 / (1 + e^−z)

Karar

%88 → kırmızı bölge

Eşik gerçek veriden seçilir. %88 kırmızının çok üstünde: 112 değerlendirilmeli, ağır işe başlatma. Son sözü hekim söyler.

KIRMIZI · p ≥ %35

Ağırlıklar nereden?

Terazi veriyle ayarlanır

Motor, sonucu bilinen binlerce kişiye bakar; ağırlıkları azar azar çevirip gerçeğe en çok uyduğu noktayı arar. Adı IRLS — 60 tekrarda durur.

IRLS · lojistik regresyon

Güvenebilir miyiz?

Beş kapıdan geçer

Ayrım gücü, güven aralığı, çapraz doğrulama, kalibrasyon ve "yeni veride bozulur mu" — hepsi yeşil yanmadan "çalışıyor" demeyiz.

5/5 · TRIPOD

VAKA · AHMET

👷

Ahmet

52 yaş · kazan dairesi

NEWS2-CP

7

kalp-akciğer

NEWS2-NEU

1

ateş/bilinç

İş (MET)

1.6

ağır

%HRR

44

kalp rezervi

WBGT

2

termal

STOP-BANG

5

apne riski

CP+3.15

%HRR+1.76

WBGT+1.00

uyku+0.90

apne+0.90

iş+0.72

NEU+0.35

taban −6.75 + katkılarz = 2.03

z = 2.03 → p = %88

%88

KIRMIZI bölge. 112 değerlendirilmeli, ağır işe başlatma. Eşik gerçek veriden seçildi.

tekrar 0 / 60

CP

NEU

iş

HRR

WBGT

uyku

apne

Ağırlıklar rastgele başlar, her tekrarda gerçeğe yaklaşır, sonra sabitlenir.

✓

Ayrım gücü (AUROC)

0.91

✓

Güven aralığı (bootstrap)

0.88–0.93

✓

Çapraz doğrulama (5-kat)

±0.01

✓

Kalibrasyon (Hosmer-L.)

p=0.12

✓

Optimism (yeni veri)

−0.00

Kendi vakanı gir — sistem skorları hesaplasın ↗

06 · Doğrulama

Peki bu skor doğru mu?

Bir skor "ben doğruyum" diyemez — sadece gerçek olaylarla uyumlu olduğunu kanıtlayabilir. Kalibre Motoru tam bunu yapar: katsayıları veriden bulur, sonra birden çok bağımsız kapıdan geçirir. Tek bir AUROC'a güvenmek dürüst değildir.

I-EWS modeli (veriden kalibre)

0.91

%95 GA: 0.87 – 0.94 · ayrım gücü

Rastgele tahmin (kontrol)

0.50

yazı-tura — taban çizgisi

Model bilinen ağırlıkları geri buluyor. Sentetik (cevabı bilinen) veride gerçek katsayılar gizlenir; motor IRLS ile bunları yeniden bulur — doğruluğun kanıtı budur. Rastgele tahmin ~0.50 (yazı-tura) kalır; I-EWS modeli 0.91.

AUROC

0.91

ayrım gücü · rastgele 0.50 (kontrol)

Hosmer-Lemeshow

p>0.05

kalibrasyon uyumu reddedilmiyor

Bootstrap %95 GA

0.87–0.94

400 yeniden örnekleme

Optimism

≈0

aşırı-uyum yok (dürüst)

Çarpma mı toplama mı? Lojistik regresyon log-odds'ta toplamsaldır, olasılık ölçeğinde çarpımsaldır — yani "neyi çarpalım, neyi toplayalım" sorusunu felsefeyle değil, etkileşim terimi ekleyip test ederek otomatik çözer. Hepsi R/Python/SAS ile birebir aynı standart araçlardır ve Node'da bağımsız çalıştırıldı.

Canlı Kalibre Motoru — kendi CSV'ni yükle, doğrula ↗

07 · Belirsizlik

Peki her tahminde aynı ölçüde emin miyiz?

Model tek bir olasılık değil, bir güven aralığı de verir. Davranışı matematiksel olarak doğru olmalı — ve öyledir: aralık veri merkezinde dar, uçlarda geniştir. Sistem nadir gördüğü uç vakada "daha az eminim" der.

Nasıl hesaplanır? Katsayı kovaryans matrisinden (XᵀWX)⁻¹ delta yöntemiyle Var(η) = xᵀ·cov·x bulunur; aralık [sigmoid(η−1.96·SE), sigmoid(η+1.96·SE)] olur.

Neden bir erdem? Bir özelliği zayıflık gibi görünen yanıyla (belirsizlik) sunup onu dürüstçe söylemek, güveni katlar. Sistem satıcı değil, bilim insanı gibi davranır: az veriye sahip olduğu bölgede iddiasını yumuşatır.

08 · Revir Sentinel

Revir, kazadan önce konuşur.

Şimdiye dek tek bir işçiyi konuştuk. Ya tüm işyeri? Ciddi kaza nadirdir — model kuracak veri yoktur. Ama revire her gün gelen halsizlik, baş ağrısı, küçük yaralanma kayıtları sıktır ve aynı nedensel yolun habercileridir. Sentinel bu sinyallerdeki anormal kümelenmeleri istatistikle yakalar.

01 · Nadir olay sorunu

Lider gösterge

Ciddi kaza ~yılda birkaç; ramak kala + küçük olay ~yüz kat sık (Heinrich/Bird). Sık olanı izle, nadir olanı önle.

02 · Kullanılmayan veri

Revir = sentinel

Her revir ziyareti bir sinyaldir. Kâğıtta çürür; biz erken uyarıya çeviririz.

03 · Doğru birim

İşçiyi değil tehlikeyi izle

Analiz birimi işçi değil işyeri/süreç. Gözetim sürtünmesi yok; işçi-işveren-müfettiş aynı tarafta.

Canlı radar · sentetik veri

5 gizli tehlike enjekte edildi — motor yakalayabildi mi?

Yakalanan tehlike

—

enjekte / yakalanan

Ortalama lider süre

—

kazadan kaç gün önce

Aktif alarm

—

son 7 günde açık akış

Yanlış alarm

—

/ akış / ay

Birim × sendrom ısı haritası — her hücre güncel sapma şiddeti (z). Kırmızı = aktif alarm. Hücreye tıkla → aşağıda zaman serisi.

Çubuklar = günlük revir sayımı · mavi çizgi = öğrenilen baseline · kırmızı nokta = alarm · gölgeli alan = enjekte gerçek tehlike

01

Akış

Her birim × sendrom = günlük sayım zaman serisi.

02

Baseline öğren

Kayan pencereden o akışın "normal"ini öğrenir.

03

Aşımı yakala

Poisson aşımı + CUSUM ile ani/sürekli sapmayı sınar.

04

Alarm

Eşik aşılınca "X biriminde Y kümesi" uyarısı.

Haddon Matrisi (1972): kaza = host × agent × environment. I-EWS host'u (işçinin o anki hali) ölçer; Revir Sentinel agent + environment tarafındaki gizli tehlikeyi yakalar — ikisi birlikte zinciri iki yandan kırar.

Revir Sentinel'i aç — CSV yükle, gerçek ziyaret kaydet ↗

09 · Kapalı döngü ⭐

Nadir kazayı, sık revirle kanıtla.

İşte açılışta verdiğimiz söz. İş kazası nadirdir — onunla model kuramayız. Ama revir ziyareti sıktır ve aynı nedensel zincirin üstündedir. O halde modeli sık olan revir sonucuyla eğit, nadir olan kazayı tahmin et (vekil/surrogate sonuç).

01 · SAHA

Tahmin

I-EWS, revire gelen işçiyi skorlar (yeşil/sarı/kırmızı).

02 · REVİR

Sonuç (sık)

Gün içi revir ziyareti / ramak kala kaydedilir.

03 · BAĞLA

Öğren

Skor ↔ sonuç eşleşir; model kendini doğrular ve kalibre olur.

04 · ÖNLE

Çarpışmayı kes

Savunmasız işçi × bozulan bölge → o gün ayır. → tekrar 01.

Doz-yanıt: risk arttıkça revir VE kaza birlikte tırmanır

İşçileri risk sinyaline göre 10 dilime böldük. İkisi de aynı yönde artıyor — bu, ikisinin aynı nedensel zincirde olduğunun kanıtı.

Revir oranı (sol eksen)Kaza oranı (sağ eksen)

Revir sinyaliyle

—

işçi · ~haftalar

Kaza sinyaliyle

—

işçi · ~aylar/yıllar

Aynı 100 olayı toplamak için kaza yolu çok daha uzun sürer. İşte "çok veri gerekiyor" sorununu revir çözüyor.

Asıl kanıt: revir-eğitimli model kazayı tahmin eder mi?

~1 haftalık saha örneklemiyle (350 işçi) iki model eğitildi; ikisi de kazaya karşı sınandı.

Tavan (gerçek sinyal)

—

mümkün en iyi AUROC

Revir-eğitimli → kaza

—

sık etiket · az veride çalışır

Kaza-eğitimli → kaza

—

nadir etiket · aynı örneklem

Hesaplanıyor…

Döngüyü besleyen Revir Sentinel ↗Öğrenen Kalibre Motoru ↗

10 · Kanıt

Sayılarla — her parça test edildi.

Siteden tek bir şey hatırlayacaksan, bu dört sayıyı hatırla. Klinik, istatistik, revir ve döngü motorlarının tamamı bağımsız çalıştırıldı.

0

bağımsız test geçti

klinik·istatistik·revir·döngü

0

değerlendirme AUROC

ayrım gücü

0

erken uyarı süresi

kazadan önce

0

revirden öğrenip kaza tahmini

350 işçiyle

11 · Nerede çalışır

Sekiz sektör, aynı çatı.

Aynı motor; eşikler ve katsayılar her sektörün kendi verisiyle kalibre olur. "Bu benim sektörümde işe yarar mı?" — evet, çünkü öğrenen kısım yerele uyarlanır.

🏗️

İnşaat / Şantiye

Yükseklik, ağır kaldırma, ergonomi — fit-for-task zaten rutin.

⛏️

Maden

Kapalı alan, toz, gaz; sendromik gözetime ideal.

⚡

Enerji / Termik

Kazan dairesi, termal stres, vardiya yükü.

🛢️

Kimya / Petrol

Solvent, CO, solunum sinyalleri — erken uyarı kritik.

🔥

Metal / Döküm

Isı + gürültü + ağır iş; çok kanallı yük.

🚚

Lojistik / Sürüş

Uyku, apne, dikkat — sürüş öncesi uygunluk.

🏭

Üretim / Gıda

Tekrarlı görev, soğuk/sıcak, vardiya rotasyonu.

🧵

Tekstil

Toz, gürültü, duruş; kümelenme analizi.

Hekim yalnız kalmamalı.

fitto.work hekimi değiştirmez, güçlendirir: objektif zemin, kazadan önce uyarı, kullandıkça keskinleşen bir model. Nihai kararı daima hekim verir.

Değerlendirme aracını aç → Kalibre Motoru Demo / pilot talep et

⚖️ Dürüst sınır

Tüm bu sonuçlar sentetik (cevabı bilinen) veriyle sistemin matematiksel olarak doğru çalıştığını kanıtlar — yöntem sağlamdır.
Klinik geçerlilik, sahadan gelecek gerçek revir verisiyle prospektif doğrulama ister. Sistem şu an pilot-hazır bir araştırma platformudur.
Klinik karar destektir, otonom değildir — son sözü daima hekim söyler.
KVKK/GDPR uyumlu: ad, TC, doğum tarihi, çalışan no asla alınmaz — yalnızca anonim ölçümler + sonuç + zaman. Küçük birimlerde k-anonimlik korunur.
Revir↔kaza bağı simülasyonda varsayılarak kuruldu; sahada önce valide edilmeli (korelasyon ≠ nedensellik). Heinrich piramidi bir heuristiktir.