Muchos factores influyen en el estado de fatiga de los seres humanos, y la fatiga tiene un efecto adverso significativo en la salud y seguridad de los operadores de transporte en la mina. Entre los diversos sistemas de monitoreo de fatiga en las operaciones mineras, actualmente, el Porcentaje de Cierre de Ojos (PERCLOS) es común. Sin embargo, el trabajo y otros factores ambientales influyen en el estado de fatiga de los conductores de camiones de carga; los sistemas PERCLOS no consideran estos factores en su modelado de la fatiga. Por lo tanto, modelar el impacto de los factores laborales y ambientales en el estado de fatiga de las operaciones individuales podría proporcionar información interesante para gestionar la fatiga. Este estudio ofrece un enfoque para utilizar conjuntos de datos operacionales para encontrar los indicadores principales de la fatiga de los operadores. Se utiliza un algoritmo de aprendizaje automático para modelar la fatiga del individuo. Se elige el algoritmo eXtreme Gradient Boosting (XGBoost) para este modelo debido a su eficiencia, precisión y viabilidad, que integra múltiples modelos de árboles y tiene una mayor interpretabilidad. Se crean un número significativo de muestras negativas y positivas a partir de los datos disponibles para aumentar la cantidad de conjuntos de datos. Luego, los resultados se comparan con otros modelos existentes. Un algoritmo seleccionado, junto con un gran conjunto de datos, pudo crear un modelo integral. El modelo pudo encontrar la importancia de los factores individuales junto con los factores laborales y ambientales entre los conjuntos de datos operacionales.