A Composite Human-Readiness Index for Flight-Line Maintenance Personnel: Model Formulation and a Pre-Registered Validation Protocol

Sintesi Tecnica: Un Indice Composito di Prontezza Umana per il Personale di Manutenzione in Linea di Volo

Definizione del Problema
La manutenzione degli aeromobili in linea di volo è un dominio critico per la sicurezza in cui il degrado della prontezza umana — causato dalla perdita di sonno, dal recupero insufficiente, dal carico di lavoro sostenuto e dalla riduzione dell'attenzione — può portare a errori di manutenzione latenti. Gli attuali strumenti di sicurezza sono ampiamente retrospettivi (ad esempio, il Maintenance Error Decision Aid) o di ambito organizzativo (ad esempio, i Fatigue Risk Management Systems), lasciando un vuoto per i supervisori di prima linea. Manca un indicatore semplice, proattivo e difendibile che aggreghi i fattori umani individuali a livello di persona-mese per segnalare preventivamente il declino della prontezza prima che si verifichino errori.

Metodologia
Il documento formula l'Aggregated Personnel-readiness Number (APN), un indice composito trasparente progettato per essere calcolato partendo dai registri di routine delle operazioni di linea di volo. La metodologia consiste in tre componenti principali:

1. Selezione e Normalizzazione delle Variabili:
   Il modello integra cinque input selezionati per il loro legame, supportato dalla letteratura, con il rischio di errore e per la loro disponibilità nelle operazioni di routine:

   • Durata del Sonno ($S$): Normalizzata rispetto a un target fisiologico (circa 7,5 ore), penalizzando sia il sonno ridotto che quello eccessivamente lungo.
   • Esercizio Fisico ($E$): Limitato per premiare un'attività ragionevole senza incoraggiare uno sforzo eccessivo.
   • Tasso di Completamento dei Compiti ($P$): Calcolato come compiti per ora lavorativa, normalizzato rispetto alle distribuzioni storiche specifiche dell'unità.
   • Conteggio degli Errori ($M$): Un conteggio verificato di errori di manutenzione, che funge da termine di penalità negativa.
   • Punteggio di Vigilanza Cognitiva ($C$): Un punteggio di un test di attenzione/aritmetica standardizzato e limitato nel tempo.

   Ogni input è mappato su un valore privo di dimensioni nell'intervallo $[0, 1]$ utilizzando specifiche funzioni di normalizzazione (ad es., $S^* = \max\{0, 1 - |S - S_0|/a\}$).

2. Formulazione del Modello:

   • Indice Giornaliero: Una somma pesata limitata ($0–10$) combina gli input normalizzati. Inizialmente, vengono utilizzati pesi assegnati da esperti per creare un punteggio giornaliero ($APN_d$) trasparente e interpretabile. Il termine di errore porta un peso negativo per garantire che l'indice premi la produttività sicura piuttosto che la pura velocità.
   • Aggiornamento Mensile: Per passare dalle assunzioni degli esperti a intuizioni basate sui dati, il documento propone una procedura di regressione regolarizzata (L2/Ridge). Man mano che i dati si accumulano, i pesi iniziali vengono sostituiti da coefficienti ($\beta$) stimati localmente, derivati dagli esiti delle prestazioni della specifica unità. Ciò tiene conto dei piccoli campioni di dati e dei predittori correlati.

3. Calcolo Illustrativo:
   Il documento fornisce un esempio pratico non empirico e completamente specificato utilizzando dati fabbricati per 12 mesi-tecnico. Questa sezione dimostra il calcolo passo dopo passo del punteggio APN e del conseguente "Indice di Rischio", esclusivamente per illustrare la logica computazionale senza fare affermazioni sulle prestazioni.

Contributi Chiave
Il documento separa esplicitamente i propri contributi in due parti distinte, evitando la confusione tra la specifica del modello e la validazione empirica:

1. Un Modello Completamente Specificato e Verificabile: Il documento fornisce un quadro matematico completo e riproducibile per la costruzione dell'APN. Questo include la scelta delle variabili, gli schemi di normalizzazione, una struttura iniziale di pesatura interpretabile e un meccanismo principato per la transizione verso coefficienti stimati localmente tramite regressione regolarizzata.
2. Un Protocollo di Validazione Pre-registrato: Riconoscendo che attualmente non esiste un dataset sul campo, il documento delinea un rigoroso protocollo di studio osservazionale prospettico pre-registrato. Questo protocollo definisce:
   • Disegno dello Studio: 60–150 unità di personale per 6–12 mesi.
   • Esiti: Eventi di qualità della manutenzione verificati dal supervisore (errori, rilavorazioni).
   • Piano di Analisi: Regressione logistica a effetti misti, discriminazione della curva ROC, curve di calibrazione e cross-validazione con regole di arresto specifiche.
   • Regole Decisionali: Criteri pre-impegnati per il successo (ad es., AUC $\ge 0.70$), la futilità e la ricalibrazione per prevenire la razionalizzazione post-hoc.

Risultati
Come afferma il documento, non vengono presentati risultati empirici. La sezione numerica (Sezione 5) e le visualizzazioni sono esplicitamente etichettate come "esempi pratici non empirici illustrativi". I dati fabbricati nella Tabella 3 sono costruiti per essere internamente coerenti con le relazioni qualitative trovate nella letteratura (ad es., un sonno ridotto e un numero maggiore di errori risultano in punteggi APN inferiori), ma questi numeri non rappresentano osservazioni misurate o prestazioni predittive. Il documento non fa alcuna affermazione riguardo l'accuratezza, la sensibilità o la specificità dell'indice in un contesto reale.

Significatività e Rivendicazioni
Il documento posiziona l'APN non come uno strumento operativo validato, ma come un potenziale livello di supporto decisionale per i Sistemi di Gestione della Sicurezza (SMS). La sua significatività risiede in:

• Trasparenza Metodologica: Offrire un "contributo metodologico riutilizzabile" che sia verificabile e resistente all'uso improprio, distinto dalla rivendicazione empirica differita.
• Cultura della Sicurezza Proattiva: Spostare l'attenzione dalla colpa retrospettiva al supporto proattivo. Un basso punteggio APN è inteso per innescare conversazioni di supervisione riguardanti il riposo, il carico di lavoro o fattori medici, piuttosto che azioni disciplinari.
• Governance Etica: Il documento sottolinea che qualsiasi implementazione richiede rigorose salvaguardie etiche, inclusi il consenso informato, i controlli di accesso e gli audit sui bias per garantire un trattamento equo tra i diversi ruoli e livelli di anzianità.
• Rigore Scientifico: Pre-registrando il protocollo di validazione, il lavoro garantisce che l'eventuale studio sul campo sarà valutato rispetto a criteri pre-impegnati, affrontando la necessità di interventi sui fattori umani basati sull'evidenza nell'aviazione.

In sintesi, il documento fornisce il "progetto" e il "piano di test" per una nuova metrica di prontezza umana, differendo esplicitamente la rivendicazione di efficacia fino a quando non verrà condotto lo studio di validazione proposto.