自评量表已与真实事故记录建立关联
最直接的证据来自一项针对160名轮胎行业工人的研究，这些工人的轮班时间都超过10小时。他们完成了卡罗林斯卡嗜睡量表（要求受试者评价自己感到多困倦）和Chalder疲劳量表（询问身体和精神上的疲惫程度）。研究人员将这些得分与工人过去一年的事故记录以及随访访谈进行了比较。疲劳得分越高，与更多差错强烈相关，作者据此认为，在这种高强度环境中，疲劳是人为差错和工作场所事故的主要促成因素[1]。
这一结果之所以有用，是因为它把一份简单问卷与实际发生过的事情——有记录的事故——联系起来，而不是与实验室中的失误联系起来。但该研究仅限于一个行业和一个国家的轮胎厂，摘要也没有报告这些量表在区分出事故和未出事故的工人方面效果如何。因此，这一发现支持的是一种相关性，而不是一个经过验证的预测阈值。
疲劳问卷配合每日准备度测试可增加行为信号
巴西一家矿业公司开展了一项规模更大的研究，对552名员工施测Chalder疲劳量表，并将其中334人分为有疲劳迹象组和无疲劳组。随后两组都接受了一项名为FOCOS/Prontos系统的计算机化工作准备度评估，该评估测量每日表现和认知功能。两组在每日准备度、认知影响和危险行为方面存在显著差异，而且这些差异在工人报告疲劳之前和之后都出现了[2]。
这里的实用价值在于组合：问卷捕捉工人感觉有多累，而计算机化测试捕捉他们当天的实际表现。作者称该系统对疲劳相关风险和事故预防具有预测价值，并主张进行持续的每日监测，而不是一次性调查[2]。该研究属于横断面和病例对照研究，即在某一时间点比较各组；它没有对工人进行前瞻性随访，看谁后来发生了事故。这使得预测性主张看似合理，但尚未得到事故结局的证实。
可穿戴传感器能实时量化疲劳，但事故预测仍未经验证
一种较新的方法使用带有电子模块的智能全面罩，追踪26项生理、运动和環境参数——例如心率、皮肤温度、空气质量和二氧化碳水平。在一项小型研究中，10名健康参与者在进行日常活动以及受控的精神和身体疲劳任务时，机器学习模型将这26个信号缩减为6个有用信号，并结合20项多维疲劳量表（MFI-20）生成单一的累积疲劳指数[5]。
该系统与MFI-20的相关性优于商用智能手表，其设计目的是支持分析个体疲劳与工作相关事件和伤害之间的关系[5]。但测试仅涉及10人，在短时间的实验室式会话中进行，而不是在记录有事故的真实工作场所中的工人。作者认为这种可穿戴设备比仅用问卷的方法提供了附加价值，但迄今为止的证据确立的是测量能力，而不是对工作场所差错的预测能力。
疲劳模型和管理综述指向同一空白
关于疲劳建模的综述描述了两种主要方法：一步模型直接从工作安排和其他输入估算疲劳，两步模型先得出疲劳测量值，再将其与差错或事故风险联系起来。这些模型在工作环境中用于管理疲劳相关差错和事故，但综述文献将它们视为风险管理工具，而不是经过验证的事故预测工具[3]。另一篇关于工作场所疲劳管理的综述同样讨论了疲劳与表现、差错和事故之间的关联以及各种测量方法，但没有确定单一最佳工具[4]。
综合来看，证据支持分层方法，而不是单一胜出工具。自评量表成本低，并且至少在一个行业中与事故记录相关[1]。加入每日计算机化准备度测试似乎能通过捕捉表现和危险行为来使情况更清晰[2]。可穿戴多模态系统有望实现连续、客观的测量，但尚未针对真实事故结局进行测试[5]。这些模型和管理综述将所有这些都视为风险管理系统的组成部分，而不是独立的预测工具[3][4]。
本文引用的文献
疲劳和嗜睡对轮胎行业准备、建设和制造过程中职业事故发生率的影响
在160名轮班时间超过10小时的轮胎行业工人中，卡罗林斯卡嗜睡量表和Chalder疲劳量表得分越高，与更多差错以及过去一年的事故记录强烈相关。
准备度的计算机化评估（Focos/Prontos系统）及其对工人疲劳和生产率的多因素筛查：一项病例对照和横断面研究
在334名巴西矿业员工中，Chalder疲劳量表结合FOCOS/Prontos计算机化准备度评估显示，疲劳组和非疲劳组在每日准备度、认知影响和危险行为方面存在显著差异，作者称这对疲劳相关风险具有预测价值。
疲劳建模及疲劳模型在工作环境中的应用
一篇关于疲劳模型的综述将其分为一步法和两步法，并描述了这些模型在工作环境中如何用于管理疲劳相关差错和事故。
工作场所的疲劳管理
一篇关于工作场所疲劳管理的综述讨论了疲劳与表现、差错和事故之间的关联，并调查了不同的疲劳测量和管理方法。
用于疲劳监测的可穿戴防护罩：一种多模态生物信号和基于人工智能的方法
一种可穿戴智能面罩系统将26项生物信号和环境参数与MFI-20问卷结合，生成累积疲劳指数，其与MFI-20的相关性优于商用智能手表，但仅在10名健康参与者中测试过，尚未针对工作场所事故记录进行验证。