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

مقدمه: اختلالات اسکلتی-عضلانی مرتبط باکار(WMSDs) از مهم ترین معضلات درکشورهای درحال توسعه وپیشرفته می باشدواکثرافراددرطول زندگی خودباآن روبرو هستند. با توجه به اثرات زیان آوراختلالات اسکلتی-عضلانی دربهره وری وسلامت عمومی کارکنان این پژوهش بااستفاده ازپرسشنامه اختلالات اسکلتی– عضلانی کرنل CMDQ به منظور ارائه مدلی هوشمند درجهت تعیین سطح و پیش بینی اختلالات اسکلتی-عضلانی انجام گردید. مواد وروش ها: در این مطالعه توصیفی تحلیلی۸۱۰نفر ازکارکنان پنج سازمان باچهارطبقه شغلی اداری، فنی،تولیدوخدمات به صورت داوطلبانه جهت ارزیابی اختلالات اسکلتی-عضلانی پرسشنامه اختلالات اسکلتی-عضلانی کرنل CMDQ راتکمیل کردند. پس ازجمع آوری داده های پرسشنامه ای وانجام تحلیل های آماری مرتبط، نرمال سازی داده هاوخوشه بندی براساس روشK-Meansبرای تعیین سطوح اختلالات اسکلتی- عضلانی استفاده شد.در نهایت،شبکه عصبی مصنوعی پرسپترون چندلایه جهت پیش بینی سطح اختلالات اسکلتی- عضلانی آموزش داده شدومعیارهای دقت،صحت،RecallوF۱-score برای ارزیابی مدل پیشنهادی به کارگرفته شده اند. یافته ها: نتایج عملکردمدل پیشنهادی درپیش بینی سطح اختلالات اسکلتی- عضلانی دردوحالت استفاده وعدم استفاده از روش SMOTE براساس معیار های ارزیابی ارائه شده است. مقادیرصحت، دقت،Recallو F۱-score به ترتیب ۷۲۴/۰، ۷۰۹/۰، ۷۵۶/۰ و ۷۲۰/ بدست آمد.مقدار مناسب صحت ودقت درمدل پیشنهادی نشان دهنده قابلیت آن درشناسایی سطح اختلالات اسکلتی-عضلانی افرادوکمک به متخصصان حوزه بهداشت درشناسایی واقدامات لازم برای پیشگیری و پیش بینی آن هامی باشد. بحث و نتیجه گیری: این مطالعه با استفاده از پرسشنامه CMDQ وروش 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 فرآیند شناسایی و کاهش هزینه ها بهره برد.