Moderne industrielle Arbeitsumgebungen sind durch komplexe Produktionsprozesse, vielfältige Expositionsszenarien und hohe Anforderungen an den Schutz der Beschäftigten gekennzeichnet. Die arbeitsmedizinische Prävention spielt in diesem Zusammenhang eine zentrale Rolle: Durch diese werden potenzielle Gesundheitsrisiken frühzeitig, initiiert gezielte Präventionsmaßnahmen und fördert sichere sowie nachhaltige Arbeitsbedingungen.
Gemeinsam mit der Volkswagen AG entwickelt das Institut für Arbeits-, Sozial- und Präventivmedizin der Universitätsmedizin Göttingen datenbasierte Ansätze, um die arbeitsmedizinische Prävention in industriellen Arbeitsumgebungen weiter zu stärken. Die Projekte untersuchen, wie vorhandene arbeitsmedizinische, biomonitoringbezogene, expositionsbezogene und kontextuelle Daten effektiver eingesetzt und genutzt werden können, um die präventive Versorgung zu verbessern.
Ein zentrales Ziel ist es zu untersuchen, wie Inhalt und Häufigkeit arbeitsmedizinischer Untersuchungen stärker evidenzbasiert und risikoadaptiert weiterentwickelt werden können. Methoden der Feature Selection und des maschinellen Lernens helfen dabei, die aussagekräftigsten Untersuchungsparameter, Expositionsindikatoren und Kontextfaktoren zu identifizieren und gleichzeitig redundante oder weniger relevante Variablen zu reduzieren.
Die Projekte adressieren zudem eine wichtige Herausforderung im arbeitsmedizinischen Biomonitoring: Biologische Messwerte können durch zahlreiche Faktoren beeinflusst werden, die über die berufliche Exposition hinausgehen. Dazu zählen Lebensstil, Umweltbelastungen, biologische Eigenschaften, Psychische Gesundheit, Wohlbefinden, Medikamente, Verfahren der Probenentnahme sowie die analytische Qualität. Wir entwickeln einen robusten Rahmen, der diese potenziellen Störfaktoren berücksichtigt und damit eine wesentliche Grundlage für die korrekte Interpretation der Ergebnisse sowie für die Entwicklung zuverlässiger Modelle schafft.
Über beide Projekte hinweg besteht das übergeordnete Ziel darin, die arbeitsmedizinische Prävention von einem primär festen Intervallansatz hin zu einem stärker datenbasierten, evidenzbasierten Modell weiterzuentwickeln — einem Modell, das hilft, Risiken früher zu erkennen, gezielte Interventionen zu unterstützen und Beschäftigte in anspruchsvollen industriellen Arbeitsumgebungen besser zu schützen.
Schweißrauchen: Biomonitoring und Prävention bei Volkswagen Kassel
Schweißen ist ein zentraler Bestandteil industrieller Produktion. Je nach eingesetzten Materialien und Verfahren können Schweißrauche jedoch Gefahrstoffe wie Chrom(VI)- und Nickelverbindungen enthalten. Diese Stoffe sind arbeitsmedizinisch relevant, da sie zu Reizungen der Atemwege, chronischen Lungenerkrankungen und einem erhöhten Krebsrisiko beitragen können.
Das Projekt bei Volkswagen Kassel untersucht, wie arbeitsmedizinische, biomonitoringbezogene und expositionsbezogene Daten genutzt werden können, um die Prävention an schweißbezogenen Arbeitsplätzen zu verbessern.
Batteriezellproduktion: Biomonitoring und Risikobewertung bei Volkswagen Salzgitter
Die Batteriezellproduktion ist ein zentrales Feld der industriellen Transformation und wirft neue arbeitsmedizinische Fragestellungen auf, insbesondere im Hinblick auf mögliche Expositionen gegenüber Gefahrstoffen während der Produktionsprozesse und anderen exponierten Bereichen (u.a. Lagerung, Handling).
Das Projekt bei Volkswagen Salzgitter konzentriert sich darauf, die Exposition gegenüber relevanten Stoffen entlang der gesamten Produktionskette zu bewerten und ein maßgeschneidertes Biomonitoring-Programm für die Produktionsanlage zu entwickeln. Dieser Ansatz zielt darauf ab, die arbeitsmedizinische Prävention in diesem aufstrebenden industriellen Bereich zu stärken.
Projektleiter: Dr. Diego Tapias
Dr. Diego Tapias ist Data Scientist und KI-Experte am Institut für Arbeits-, Sozial- und Präventivmedizin der Universitätsmedizin Göttingen. Sein Arbeitsschwerpunkt liegt an der Schnittstelle von Statistik, Data Science, künstlicher Intelligenz und arbeitsmedizinischer Forschung. Er beschäftigt sich insbesondere mit der Analyse großer und heterogener Datenbestände aus Unternehmen, Versicherungen und arbeitsmedizinischen Kontexten, um Prävention, Risikobewertung und evidenzbasierte Entscheidungsprozesse zu unterstützen.
Nach seiner Promotion im Bereich Statistische Physik arbeitete er in Forschung, Lehre und datenanalytischen Projekten mit Schwerpunkten in statistischer Modellierung, maschinellem Lernen, komplexen Systemen und Netzwerkanalyse. Ergänzend absolvierte er eine Weiterbildung im Bereich Data Engineering und Big Data Analytics. Am Institut bringt er diese methodische Expertise in Projekte zur digitalen Transformation, Prävention und datenbasierten Weiterentwicklung der Arbeitsmedizin ein.