پیش بینی اختلالات اسکلتی عضلانی بر اساس اطلاعات دموگرافیک افراد به کمک روش های هوش مصنوعی و پرسش نامهی CMDQ

اختلالات اسکلتی عضلانی مرتبط با کار (WMSDs) از معضلات مهم در کشورهای درحال توسعه و پیشرفته است و اکثر افراد در طول زندگی خود، با آن روبه رو هستند. با توجه به اثرهای زیان آور اختلالات اسکلتی عضلانی در بهره وری و سلامت عمومی کارکنان، این پژوهش با استفاده از پرسش نامه ی اختلالات اسکلتی عضلانی کرنل (CMDQ) به منظور ارائه ی مدلی هوشمند برای تعیین سطح و پیش بینی اختلالات اسکلتی عضلانی انجام شد.

 در این مطالعه ی توصیفی تحلیلی، 810 نفر از کارکنان پنج سازمان با چهار طبقه ی شغلی اداری، فنی، تولید و خدمات، داوطلبانه برای ارزیابی اختلالات اسکلتی عضلانی، پرسش نامه ی اختلالات اسکلتی عضلانی کرنل (CMDQ) را تکمیل کردند. پس از جمع آوری داده های پرسش نامه ای و انجام تحلیل های آماری مرتبط، از نرمال سازی داده ها و خوشه بندی بر اساس روش K-Means برای تعیین سطوح اختلالات اسکلتی عضلانی استفاده شد. در نهایت، شبکه ی عصبی مصنوعی  پرسپترون چندلایه برای پیش بینی سطح اختلالات اسکلتی عضلانی آموزش داده شد و معیارهای دقت، صحت، Recall و F1-score برای ارزیابی مدل پیشنهادی به کار گرفته شدند.

 نتایج عملکرد مدل پیشنهادی در پیش بینی سطح اختلالات اسکلتی عضلانی در دو حالت استفاده و عدم استفاده از روش SMOTE بر اساس معیار های ارزیابی ارائه شده است. مقادیر صحت، دقت،  Recall و F1-score به ترتیب، برابر با 0/724، 0/709، 0/756 و 0/720 به دست آمد. مقدار مناسب صحت و دقت در مدل پیشنهادی نشان دهنده ی قابلیت آن در شناسایی سطح اختلالات اسکلتی عضلانی افراد و کمک به متخصصان حوزه ی بهداشت در شناسایی و اقدامات لازم برای پیشگیری و پیش بینی آن ها است.

 این مطالعه با استفاده از پرسش نامه ی CMDQ و روش های هوش مصنوعی به تحلیل اختلالات اسکلتی عضلانی 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 می توان برای شناسایی و پیش بینی اختلالات اسکلتی عضلانی در کارکنان سازمان ها با امکان تسریع فرایند شناسایی و کاهش هزینه ها بهره برد.