پیش‌بینی اختلالات اسکلتی‌عضلانی بر اساس اطلاعات دموگرافیک افراد به کمک روش‌های هوش مصنوعی و پرسش‌نامهی CMDQ

Abstract

اهداف: اختلالات اسکلتی‌عضلانی مرتبط با کار (WMSDs) از معضلات مهم در کشورهای درحال‌توسعه و پیشرفته است و اکثر افراد در طول زندگی خود، با آن روبه‌رو هستند. با توجه به اثرهای زیان‌آور اختلالات اسکلتی‌عضلانی در بهره‌وری و سلامت عمومی کارکنان، این پژوهش با استفاده از پرسش‌نامه‌ی اختلالات اسکلتی‌عضلانی کرنل (CMDQ) به‌منظور ارائه‌ی مدلی هوشمند برای تعیین سطح و پیش‌بینی اختلالات اسکلتی‌عضلانی انجام شد. روش ‌‌‌کار: در این مطالعه‌ی توصیفی‌تحلیلی، ۸۱۰ نفر از کارکنان پنج سازمان با چهار طبقه‌ی شغلی اداری، فنی، تولید و خدمات، داوطلبانه برای ارزیابی اختلالات اسکلتی‌عضلانی، پرسش‌نامه‌ی اختلالات اسکلتی‌عضلانی کرنل (CMDQ) را تکمیل کردند. پس از جمع‌آوری داده‌های پرسش‌نامه‌ای و انجام تحلیل‌های آماری مرتبط، از نرمال‌سازی داده‌ها و خوشه‌بندی بر اساس روش K-Means برای تعیین سطوح اختلالات اسکلتی‌عضلانی استفاده ‌شد. در نهایت، شبکه‌ی عصبی مصنوعی پرسپترون چندلایه برای پیش‌بینی سطح اختلالات اسکلتی‌عضلانی آموزش داده شد و معیارهای دقت، صحت، Recall و F۱-score برای ارزیابی مدل پیشنهادی به کار گرفته شدند. یافته‌ها: نتایج عملکرد مدل پیشنهادی در پیش‌بینی سطح اختلالات اسکلتی‌عضلانی در دو حالت استفاده و عدم استفاده از روش SMOTE بر اساس معیار‌های ارزیابی ارائه شده است. مقادیر صحت، دقت، Recall و F۱-score به‌ترتیب، برابر با ۰/۷۲۴، ۰/۷۰۹، ۰/۷۵۶ و ۰/۷۲۰ به دست آمد. مقدار مناسب صحت و دقت در مدل پیشنهادی نشان‌دهنده‌ی قابلیت آن در شناسایی سطح اختلالات اسکلتی‌عضلانی افراد و کمک به متخصصان حوزه‌ی بهداشت در شناسایی و اقدامات لازم برای پیشگیری و پیش‌بینی آن‌ها است. نتیجه‌گیری: این مطالعه با استفاده از پرسش‌نامه‌ی CMDQ و روش‌های هوش مصنوعی به تحلیل اختلالات اسکلتی‌عضلانی در محیط کار پرداخته است. مدل پیشنهادی در مقایسه با مطالعات مشابه، دارای دقت و صحت قابل توجهی است. نتایج نشان دادند که از این مدل می‌توان برای شناسایی و پیش‌بینی اختلالات اسکلتی‌عضلانی در کارکنان سازمان‌ها با امکان تسریع فرایند شناسایی و کاهش هزینه‌ها بهره برد.