Referensmätningar för kvartsdamm – nytt digitalt verktyg ska förutsäga risker

Referensmätningar av inandningsbart kvartsdamm har i snart tio år kunnat användas för riskbedömning vid svenska arbetsplatser. Men hur riktig blir en sådan riskbedömning? Och kan man lita på att arbetet är säkert? Detta undersöks i ett forskningsprojekt som ska utveckla ett digitalt verktyg för att förutsäga kvartsexponering.

Kvarts förekommer naturligt i berggrunden och används i många industriella processer på grund av sin hårdhet och kemiska stabilitet. Dessa egenskaper gör kvarts användbart men också hälsofarligt. Respirabelt kvartsdamm, som är de allra minsta inandningsbara partiklarna, kan nå längst ner i lungorna, till alveolerna. Dessa partiklar är de mest skadliga och kan orsaka ärrbildning och inflammation.

Kvarts klassas som cancerframkallande av International Agency for Research on Cancer och exponering kan leda till silikos, även kallad stendammslunga. Trots att hälsoproblemen är kända sedan länge är kvarts fortfarande ”den mest bortglömda arbetsmiljörisken idag”, enligt Pär Gustavsson, epidemiolog och professor vid Karolinska institutet.

Sedan 2015 tillåter Arbetsmiljöverket användning av referensmätningar för riskbedömning av kvartsexponering, vilket innebär att man kan använda resultat från likvärdiga arbetsplatser i stället för egna mätningar. Gränsvärdet för respirabel kvarts är 0,1 mg per kubikmeter enligt Arbetsmiljöverkets föreskrift om hygieniska gränsvärden. Detta kan anses som otillräckligt och många europeiska länder har därför sänkt gränsvärdet till 0,05 mg per kubikmeter.

Syftet med projektet, som finanserias av Afa försäkring, är att lägga grunden för en prediktiv metod som identifierar tillämpbarheten hos referensmätningar och som påvisar behovet av att genomföra arbetsmiljömätningar när befintliga data inte är tillförlitliga.

Projektet är uppdelat i tre delar:

1. Samla in data från referensmätningar
   Nya referensmätningar behöver utföras för att komplettera befintliga. Bland annat ska mätningar utföras under längre tid för att omfatta säsongsvariationer och variation inom och mellanindivider.
2. Analysera och modellera data
   Genom att använda statistiska metoder och maskininlärning samt analysera olika delar av data, ska projektet identifiera och rangordna de parametrar som mest påverkar kvartsexponeringen.
3. Skapa ett digitalt verktyg för prediktion av kvartsexponering
   Känsligheten hos modellen ska utvärderas och riskbedömningar baserade på predikterad kvartsexponering ska valideras för att svara på om referensvärde kan användas eller mätningar behöver utföras.