Iranian Journal of Ergonomics

fa پیش‌بینی اختلالات اسکلتی‌عضلانی بر اساس اطلاعات دموگرافیک افراد به کمک روش‌های هوش مصنوعی و پرسش‌نامهی CMDQ Prediction of Musculoskeletal Disorders Based on People's Demographic Information Using Artificial Intelligence Methods and the Cornell Musculoskeletal Discomfort Questionnaire اختلالات اسکلتی-عضلانی Musculoskeletal Disorders پژوهشي Research <div class="rounded" style="background: rgb(238, 238, 238); border: 1px solid rgb(204, 204, 204); padding: 5px 10px; text-align: justify;">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.</div> <div class="rounded" style="background: rgb(238, 238, 238); border: 1px solid rgb(204, 204, 204); padding: 5px 10px; text-align: justify;">Objectives: Work-related musculoskeletal Disorders (WMSDs) are the most significant challenges in both developing and developed countries, affecting the majority of individuals throughout their lives. Considering the detrimental effects of musculoskeletal disorders on the productivity and general health of employees, this research utilizes the Cornell Musculoskeletal Disorder Questionnaire (CMDQ) to develop an intelligent model for assessing and predicting the levels of musculoskeletal disorders. Methods: In this descriptive-analytical study, 810 employees from five organizations (in four occupational categories, including administrative, technical, production, and services) completed the CMDQ voluntarily. After collecting the questionnaire and performing relevant statistical analyses, data normalization and clustering based on the K-Means method were used to determine levels of musculoskeletal disorders. Finally, the multilayer perceptron artificial neural network was trained to predict the levels of musculoskeletal disorders; moreover,  the criteria of precision, accuracy, recall, and F1-score were used to evaluate the proposed model. Results: The performance of the proposed model in predicting the levels of musculoskeletal disorders is presented in two scenarios (use and non-use of the Synthetic Minority Oversampling Technique (SMOTE) method) based on the evaluation criteria provided. The accuracy, precision, recall, and F1-score values were 0.724, 0.709, 0.756, and 0.720, respectively. The appropriate accuracy and precision in the proposed model indicate its capability to identify the levels of musculoskeletal disorders in individuals and help healthcare professionals take necessary measures to prevent and predict them. Conclusion: This study employs the CMDQ questionnaire and artificial intelligence to analyze musculoskeletal disorders in the workplace. The proposed model demonstrates significant accuracy and precision compared to similar studies. The results indicate that this model can be utilized to identify and predict musculoskeletal disorders in organizational employees, offering the potential to expedite the identification process and reduce costs.</div> اختلالات اسکلتی‌عضلانی, CMDQ, هوش مصنوعی, شبکه‌ی عصبی Artificial intelligence, CMDQ, Neural network, WMSD 261 271 http://journal.iehfs.ir/browse.php?a_code=A-10-3296-4&slc_lang=fa&sid=1 Mousa Nazari موسی نظری Nazari.mousa@mazust.ac.ir 100319475328460016808 100319475328460016808 No Department of Computer Science, University of Science and Technology of Mazandaran, Behshahr, Iran گروه علوم کامپیوتر، دانشکده‌ی علوم، دانشگاه علم و فناوری مازندران، مازندران، ایران Arezoo Sammak Amani آرزو سماک امانی arezoo.sam76@yahoo.com 100319475328460016809 100319475328460016809 Yes Department of Occupational Health, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran گروه مهندسی بهداشت حرفه‌ای، دانشکده‌ی بهداشت، دانشگاه علوم پزشکی و خدمات بهداشتی‌درمانی مازندران، مازندران، ایران Mohammad Amin Mououdi محمد امین موعودی Mououdi2006@yahoo.com 100319475328460016810 100319475328460016810 No Department of Occupational Health, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran گروه مهندسی بهداشت حرفه‌ای، دانشکده‌ی بهداشت، دانشگاه علوم پزشکی و خدمات بهداشتی‌درمانی مازندران، مازندران، ایران Mohammad Mahdi Alyan Nezhadi محمد مهدی علیان نژادی Alyan.nezhadi@mazust.ac.ir 100319475328460016811 100319475328460016811 No Department of Computer Science, University of Science and Technology of Mazandaran, Behshahr, Iran گروه علوم کامپیوتر، دانشکده‌ی علوم، دانشگاه علم و فناوری مازندران، مازندران، ایران