ارزیابی پوسچر و پیش بینی عوامل موثر بر اختلالات اسکلتی-عضلانی درکاربران رایانه به روش شبکه عصبی

مقدمه: کار با رایانه ‌و شرایط حاکم ‌بر محیط‌های شغلی، انسان را در معرض ریسک‌ فاکتورهای اختلالات اسکلتی‌عضلانی قرار می دهد. لذا هدف از این مطالعه ارزیابی پوسچر، بررسی وضعیت اختلالات اسکلتی عضلانی، تعیین ریسک فاکتورها، وزن‌دهی و اولویت بندی این ریسک‌فاکتورها با استفاده از الگوریتم شبکه‌عصبی در کاربران رایانه می باشد. روش کار: این مطالعه از نوع توصیفی تحلیلی و به صورت مقطعی بر روی کاربران رایانه در سال 1398 انجام گرفت. این مطالعه در شش مرحله کلّی انجام گرفت که تعیین وضعیت اختلالات اسکلتی عضلانی با استفاده از پرسشنامه نوردیک، انتخاب عوامل موثر بر اختلالات اسکلتی عضلانی با روش rosa و وزن دهی عوامل موثّر بر این اختلالات با استفاده از الگوریتم شبکه عصبی انجام گرفت. داده ها با نرم افزار ibm spss modeler آنالیز شدند. یافته ها: میانگین سن و سابقه کار کاربران بترتیب 6.9 ±34 و 0.7 ±1.5 سال محاسبه گردید. بیشترین اختلالات اسکلتیعضلانی بترتیب در نواحی کمر، گردن و بخش فوقانی پشت مشاهده گردید. میانگین نمره نهایی صندلی، تلفن مانیتور و موس کیبورد بترتیب برابر با 1 ±3.7، 1.1 ±3.6و 1.2 ±3.65 و میانگین نمره نهایی rosa برابر 0.9 ±4.4 بود. بیشترین همبستگی با نمره rosa متعلق به عامل صندلی(0.46=r2)و پس از آن عامل تلفن مانیتور(0.43=r2) و عامل موس کیبورد (0.42=r2) بود. اعتبار پیش بینی عوامل موثر بر اختلالات اسکلتی عضلانی طبق اولویت بندی الگوریتم شبکه عصبی بترتیب برای صندلی(48%)، تلفن مانیتور(28%) و موس کیبورد (24%) بود. صحت الگوریتم شبکه عصبی در بررسی میزان تاثیر عوامل موثر بر اختلالات اسکلتی عضلانی، بر اساس امتیاز rosa برابر 98% بدست آمد.نتیجه گیری: عوامل موثر بر اختلالات اسکلتی عضلانی کار با رایانه طبق اولویت بندی الگوریتم شبکه عصبی به ترتیب صندلی، تلفن مانیتور و موس کیبورد می باشد. لذا با اصلاح ارگونومیک صندلی کاربران و جانمایی مناسب مانیتور و تلفن می توان از بخش عمده ای از اختلالات اسکلتی عضلانی کاربران رایانه پیشگیری نمود.

Assessing the Posture and predicting the factors affecting musculoskeletal disorders in computer uses by neural networks

Introduction: Working with a computer and workplace conditions expose people to risk factors of musculoskeletal disorders (MSDs). This study aimed to assess posture, examine MSDs, and determine, weigh and prioritize the risk factors among computer users by a neural network algorithm. Material and Methods: This descriptiveanalytical crosssectional study was conducted in six phases on computer users in 2019. The status of MSDs was determined via Nordic musculoskeletal questionnaire (NMQ). The factors affecting these disorders were determined by the ROSA method, and then these factors were weighed by the neural network algorithm. The data were analyzed in IBM SPSS Modeler.Results: The mean age and work experience of the users were 34 ± 6.9 and 1.5 ± 0.7 years, respectively. Most of years were observed at the lower back, neck, and upper back, respectively. The final mean scores of the chair, telephonemonitor, and mousekeyboard were 3.7 ± 1, 3.6 ± 1.1, and 3.65 ± 1.2, respectively and the final mean score of ROSA was 4.4 ± 0.9. The greatest correlation with the ROSA score was observed in chair (R2 = 0.46), followed by telephonemonitor (R2 = 0.43), and mousekeyboard (R2 = 0.42). The highest predictor importance of the effective factors based on the neural network algorithm prioritization belonged to the chair (48%), followed by telephonemonitor (28%) and mousekeyboard (24%). The accuracy of the neural network algorithm in examining the effect of factors on musculoskeletal disorders was 98% based on the ROSA score.Conclusion: Factors affecting years due to working with computers are the chair, telephonemonitor, and mousekeyboard, respectively, as prioritized by the neural network algorithm. These disorders can be prevented by ergonomic modification of users rsquo; chairs and correct placement of the monitor and telephone.