1. Définition et principes
L'IA prédictive des risques utilise le machine learning pour identifier les salariés ou postes à risque élevé d'accident du travail (AT), de maladie professionnelle (MP), de troubles musculosquelettiques (TMS) ou de risques psychosociaux (RPS).
Objectif : Intervention préventive anticipée plutôt que réactive.
- Identifier les facteurs de risque individuels et collectifs
- Prédire les salariés à haut risque dans les 3-12 prochains mois
- Recommander des actions de prévention ciblées
- Mesurer l'impact des interventions
Exemple simplifié : Si un salarié A travaille sur poste B avec antécédent C, le modèle estime un risque de RPS de 35 % à 6 mois → action d'aménagement proposée.
2. Risques anticipés
| Type de risque | Facteurs prédictifs | Exemple |
|---|---|---|
| TMS | Gestes répétitifs, mauvaise posture, durée d'emploi, âge | Opérateur d'emballage, +40 ans, 10+ ans au poste |
| RPS | Charge de travail, manque autonomie, mobbing, changement d'équipe | Manager 3 départs d'équipe en 1 an |
| Absentéisme | Arrêts antérieurs, AT, maladie chronique | 2+ arrêts supérieurs à 15 jours dans les 2 ans |
| AT | Secteur d'activité, expérience, environnement travail, ancienneté | BTP, nouveau salarié, peu de formation SST |
3. Méthodologie d'apprentissage machine
Approche générique :
- Collecte de données historiques : DMST, AT/MP, absences, données RH (3-5 ans minimum)
- Nettoyage et anonymisation : suppression ID, doublons, normalization
- Feature engineering : création de variables pertinentes (âge catégorisé, ancienneté, ratio TMS passés...)
- Séparation train/test : 80/20 ou cross-validation
- Entraînement du modèle : Random Forest, XGBoost, régression logistique...
- Évaluation : précision, rappel, ROC-AUC (compromis sensibilité/spécificité)
- Déploiement : scoring des salariés actuels, prédictions périodiques (mensuelles/trimestrielles)
Défi : Données déséquilibrées (peu d'AT/MP en absolu), nécessité de au moins 500-1000 cas historiques pour modèle fiable.
4. Données d'apprentissage et sources
Sources de données idéales :
- DMST numérique : antécédents médicaux, restrictions, avis aptitude
- Data RH/paie : emploi occupé, ancienneté, absences (avec raison si possible)
- Données AT/MP : CNAMTS si disponible, rapports accident
- Conditions de travail : DUERP, évaluations risque sectorielles
- Données environnementales : changement managérial, réorganisation, projet
Problème clé : Fragmentation des données. Le DMST est en SPSTI, la paie chez un prestataire RH, les arrêts à la Sécurité Sociale. Intégration = défi.
Solution INTELIGIA : Accompagnement pour fédérer les données dans un logiciel métier HDS, en respectant l'anonymat et le RGPD.
5. Exemples concrets d'application
Exemple 1 : Prédiction TMS en secteur logistique
- Data : 1200 salariés, 5 ans d'historique (VIP, TMS, arrêts)
- Facteurs : âge, ancienneté au poste, poids de charges (du DUERP), changements d'équipe
- Résultat : Modèle identifie 85 salariés à risque élevé TMS (40%+ de probabilité à 12 mois)
- Action : Formation ergonomie renforcée, rotation de poste, aménagement station
- Impact mesuré : -25 % TMS déclarées dans le groupe à risque après 12 mois
Exemple 2 : Détection RPS en PME
- Data : 150 salariés, absences plus de 3 jours, données VIP (auto-questionnaire bien-être)
- Facteurs : charge de travail perçue (VIP), changeement de manager, turnover équipe
- Résultat : 12 salariés identifiés à risque RPS 6-9 mois
- Action : Entretien confidentialité manager, ajustement charge travail, médiation si conflit
- Suivi : Retour mesuré via absences (diminution -30 %), satisfaction (enquête)
6. Éthique et limitation des biais
Risques à maîtriser :
- Biais de genre : données historiques peuvent refléter discrimination passée
- Biais d'âge : risque de stigmatiser salariés supérieurs à 50 ans
- Biais de classe : certains métiers/secteurs surreprésentés
- Faux positifs : modèle crie au loup → démotivation salarié
- Autonomie salarié : qui prend la décision basée sur prédiction ?
Bonnes pratiques (INTELIGIA) : Audit de biais avant déploiement, communication transparente avec salariés, explainabilité, pas de décision automatique (recommandation seulement), droit d'opposition et recours, évaluation d'impact RGPD.
7. Ressources liées
Vous travaillez en SPSTI ?
INTELIGIA vous accompagne dans l'intégration responsable de l'IA pour l'intégration de l'IA en santé au travail.