مدل پیش بینی کننده اختلالات اسکلتی عضلانی در کاربران کامپیوتر با استفاده از شبکه عصبی مصنوعی

مقدمه: به دلیل افزایش ارائه خدمات الکترونیک به شهروندان در ادارات دولتی، تعداد کاربران کامپیوتر و در نتیجه بروز اختلالات اسکلتی عضلانی افزایش یافته است. لذا هدف این مطالعه پیش‌بینی و مدلسازی روابط پیچیده بین عوامل خطر اختلالات اسکلتی عضلانی در کاربران کامپیوتر شاغل در ادارات دولتی توسط شبکه عصبی مصنوعی بود.روش کار: مطالعه مقطعی حاضر در سال 2020 روی 342 نفر از کارکنان ادارات مختلف دولتی شهر ساوه در ایران انجام گردید. ابتدا محقق به منظور شناسایی اولیه مشکلات از محیط کار بازدید نموده و عوامل محیطی را اندازه‌گیری کرد. با استفاده از پرسشنامه نوردیک و روش rosa، ارزیابی ریسک ارگونومیک و بررسی عوامل روانی اجتماعی صورت پذیرفت. بمنظور تدوین مدل، تاثیر عوامل مختلف در ایجاد اختلالات اسکلتی عضلانی با استفاده از آزمون رگرسیون لجستیک بررسی شد، سپس داده‌های حاصل توسط یکی از الگوریتم‌های شبکه عصبی جمع‌آوری و مدل‌سازی گردید و در نهایت یک مدل بهینه برای پیش‌بینی خطر اختلالات اسکلتی عضلانی توسط شبکه‌های عصبی مصنوعی ارائه شد.  یافته ها: نتایج نشان داد با افزایش سطح تعاملات اجتماعی، سطح تقاضا، کنترل و رهبری در شغل، اختلالات اسکلتی عضلانی در مردان و زنان کاهش می‌یابد. بین شیوع اختلالات اسکلتی-عضلانی و میزان تقاضای شغل، سطوح کنترل شغل، سطوح تعاملات اجتماعی، سطوح رهبری، سطوح جو سازمانی، سطح رضایت شغلی و سطوح استرس رابطه معناداری وجود داشت. علاوه بر این، بین گزارش درد در ناحیه گردن، شانه و مچ/دست با نمره کلی rosa رابطه معناداری وجود داشت. همچنین بین گزارش درد یا ناراحتی در ناحیه گردن با امتیاز خطر صفحه نمایش گوشی، مچ/دست با نمره خطر صفحه کلید-موس و همچنین شانه، قسمت بالای کمر، آرنج و پایین کمر با نمره ریسک صندلی رابطه معنادار وجود داشت. دقت مدل ارائه شده جهت پیش‌بینی اختلالات اسکلتی عضلانی نیز حدود 88.5 % بود که نشان‌دهنده قابل قبول بودن نتایج است.نتیجه گیری: نتایج نشان داد چندین فاکتور در ایجاد اختلالات اسکلتی عضلانی نقش دارند که شامل عوامل فردی، محیطی، روانی اجتماعی و ایستگاه کاری می‌باشد. لذا در طراحی یک ایستگاه کاری ارگونومیک بایستی تاثیر توام عوامل ذکر شده مورد بررسی قرار گیرد. همچنین پیش‌بینی میزان تاثیرگذاری هر کدام از عوامل مذکور با استفاده از شبکه عصبی مصنوعی نشان داد که این نوع مدلسازی می‌تواند به عنوان ابزاری جهت پیشگیری از اختلالات اسکلتی عضلانی و یا دیگر اختلالات چندعاملی کاربردپذیر باشد.

predictive model of musculoskeletal disorders in computer users using artificial neural network

introduction: due to the increase in the provision of electronic services to citizens in government offices, the number of computer users and the occurrence of musculoskeletal disorders have increased. therefore, this study aimed to predict and model the complex relationships between the risk factors of musculoskeletal disorders in computer users working in government offices by an artificial neural network.material and methods: the current cross-sectional study was conducted in 2020 on 342 employees of various government offices in saveh city. first, the researcher visited the work environment to identify the problems and measure the environmental factors. then, ergonomic risk assessment and psychosocial factors were evaluated using the nordic questionnaire and the rosa method. the effect of various factors in causing musculoskeletal disorders was investigated using a logistic regression test.then the resulting data were collected and modeled by one of the neural network algorithms. finally, artificial neural networks presented an optimal model to predict the risk of musculoskeletal disorders.results: the results showed that by increasing the level of social interactions, the level of demand, control, and leadership in the job, musculoskeletal disorders in men and women decrease. there was a significant relationship between the prevalence of musculoskeletal disorders and job demand, job control levels, social interaction levels, leadership levels, organizational climate levels, job satisfaction levels, and stress levels, in addition between reports of pain in the neck and shoulder and wrist/hand region. there was a significant relationship with the overall rosa score. also, there was a significant relationship between the report of pain or discomfort in the neck area with the phone screen risk score, wrist/hand with the keyboard-mouse risk score, and shoulder, upper back, elbow, and lower back with the chair risk score. the accuracy of the presented model for predicting musculoskeletal disorders was also about 88.5%, which indicates the acceptability of the results.conclusion: the results showed that several factors play a role in causing musculoskeletal disorders, which include individual, environmental, psychosocial, and workstation factors. therefore, in the design of an ergonomic workstation, the effects of the mentioned factors should be investigated. also, predicting the effectiveness of each of the mentioned factors using an artificial neural network showed that this type of modeling can be used to prevent musculoskeletal disorders or other multifactorial disorders.