پيش‌بيني اختلالات اسكلتي‌عضلاني بر اساس اطلاعات دموگرافيك افراد به كمك روش‌هاي هوش مصنوعي و پرسش‌نامه ي CMDQ

اهداف: اختلالات اسكلتي‌عضلاني مرتبط با كار (WMSDs) از معضلات مهم در كشورهاي درحال‌توسعه و پيشرفته است و اكثر افراد در طول زندگي خود، با آن روبه‌رو هستند. با توجه به اثرهاي زيان‌آور اختلالات اسكلتي‌عضلاني در بهره‌وري و سلامت عمومي كاركنان، اين پژوهش با استفاده از پرسش‌نامه‌ي اختلالات اسكلتي‌عضلاني كرنل (CMDQ) به‌منظور ارائه‌ي مدلي هوشمند براي تعيين سطح و پيش‌بيني اختلالات اسكلتي‌عضلاني انجام شد.روش ‌‌‌كار: در اين مطالعه‌ي توصيفي‌تحليلي، ۸۱۰ نفر از كاركنان پنج سازمان با چهار طبقه‌ي شغلي اداري، فني، توليد و خدمات، داوطلبانه براي ارزيابي اختلالات اسكلتي‌عضلاني، پرسش‌نامه‌ي اختلالات اسكلتي‌عضلاني كرنل (CMDQ) را تكميل كردند. پس از جمع‌آوري داده‌هاي پرسش‌نامه‌اي و انجام تحليل‌هاي آماري مرتبط، از نرمال‌سازي داده‌ها و خوشه‌بندي بر اساس روش K-Means براي تعيين سطوح اختلالات اسكلتي‌عضلاني استفاده ‌شد. در نهايت، شبكه‌ي عصبي مصنوعي  پرسپترون چندلايه براي پيش‌بيني سطح اختلالات اسكلتي‌عضلاني آموزش داده شد و معيارهاي دقت، صحت، Recall و F۱-score براي ارزيابي مدل پيشنهادي به كار گرفته شدند. يافته‌ها: نتايج عملكرد مدل پيشنهادي در پيش‌بيني سطح اختلالات اسكلتي‌عضلاني در دو حالت استفاده و عدم استفاده از روش SMOTE بر اساس معيار‌هاي ارزيابي ارائه شده است. مقادير صحت، دقت،  Recall و F۱-score به‌ترتيب، برابر با ۰/۷۲۴، ۰/۷۰۹، ۰/۷۵۶ و ۰/۷۲۰ به دست آمد. مقدار مناسب صحت و دقت در مدل پيشنهادي نشان‌دهنده‌ي قابليت آن در شناسايي سطح اختلالات اسكلتي‌عضلاني افراد و كمك به متخصصان حوزه‌ي بهداشت در شناسايي و اقدامات لازم براي پيشگيري و پيش‌بيني آن‌ها است.نتيجه‌گيري: اين مطالعه با استفاده از پرسش‌نامه‌ي CMDQ و روش‌هاي هوش مصنوعي به تحليل اختلالات اسكلتي‌عضلاني در محيط كار پرداخته است. مدل پيشنهادي در مقايسه با مطالعات مشابه، داراي دقت و صحت قابل توجهي است. نتايج نشان دادند كه از اين مدل مي‌توان براي شناسايي و پيش‌بيني اختلالات اسكلتي‌عضلاني در كاركنان سازمان‌ها با امكان تسريع فرايند شناسايي و كاهش هزينه‌ها بهره برد.