بررسی میزان تاثیر رفتارهای بهداشتی محافظتی بر ابتلاء یا عدم ابتلاء به بیماری کووید-19 در کارگران یک صنعت پالایش نفت با استفاده از الگوریتم های یادگیری ماشین

مقدمه: شیوع بیماری کووید-19 تاثیر عمده ای بر محیط های کاری و همچنین نیروی کار داشته است، در نتیجه شناسایی مهم ترین راهکارها و استراتژی های پیشگیرانه و کنترلی و سنجش کارایی آنها اهمیت ویژه ای دارند. مطالعات مختلف نشان داده اند که روش های هوش مصنوعی می‌توانند برای پیش بینی مسائل پیچیده و غیر خطی از جمله پیش بینی رفتار انواع بیماری ها نظیر بیماری کووید-19 و پارامتر های موثر بر آن مفید واقع شوند. هدف از این مطالعه بررسی تاثیر اقدامات پیشگیرانه و رفتار های بهداشتی در پیشگیری از بیماری کووید-19 در محیط های شغلی با استفاده از مدل های یادگیری ماشین مختلف بوده است.روش کار: بدین منظور، اطلاعات جمعیت شناسی و رفتارهای بهداشتی افراد در یک صنعت پالایش نفت جمع آوری گردید. سپس مدل چند لایه پرسترون (mlp) ، تابع پایه شعاعی (rbf) و ماشین بردار پشتیبان (svm) به منظور بهبود تجزیه تحلیل تاثیرات اقدامات پیشگیرانه بر روی عفونت کووید-19 مقایسه شدند. در نهایت، مهم‌ترین عوامل موثر بر احتمال ابتلا به بیماری کووید-19 با استفاده از تحلیل آنالیز حساسیت تعیین شدند. یافته ها: نتایج نشان داد دقت بدست آمده در پیش‌بینی تاثیر اقدامات پیش‌گیری‌کننده و رفتارهای بهداشتی بر بیماری کووید-19 در محیط‌های شغلی 78.1%، 81.2% و 78.1% به ترتیب برای mlp، rbf و svm است و مدل rbf به عنوان دقیق ترین مدل برای پیش بینی میزان تاثیر رفتارهای بهداشتی بر بیماری کووید-19 عمل می کند. علاوه بر این، میزان فاصله اجتماعی با مشتریان، دفعات شست و شوی دست ها و ضد عفونی کردن دست ها، وجود مواد شوینده و ضد عفونی کننده برای دست ها و سطوح در محل کار و  تجمع برای خوردن غذا و میان وعده مهم ترین رفتار های بهداشتی موثر بر شیوع کووید-19 در محل کار شناسایی شدند.نتیجه گیری: این مطالعه نشان داد توجه به اقدامات پیشگیرانه و رفتارهای بهداشتی در پیشگیری از بیماری کووید-19 موثر بوده است. علاوه برآن استفاده از الگوریتم یادگیری ماشین و ابزارهای بدست آمده از آن همچون سیستم پشتیبانی تصمیم گیری (dss)  می توانند ابزاری قدرتمند در جهت مدیریت هرچه بهتر اقدامات کنترلی در محیط های کاری باشند.

investigating the impact of health-protective behaviors on morbidity and non-morbidity covid-19 among workers in oil refining industry using machine learning algorithms

introduction: the prevalence of covid-19 has significantly impacted work environments and the workforce. therefore, identifying the most important preventive and control strategies, as well as assessing their effectiveness, is of paramount importance. various studies have shown that machine learning algorithms can be used to predict complex and nonlinear issues, including predicting the behavior of various diseases such as covid-19 and the parameters affecting it, and can be beneficial. the purpose of this study has been to examine the importance of preventive measures and hygiene behaviors in preventing covid-19 in the oil refining industry using various machine learning models.material and methods: for this purpose, demographic information and health behaviors of individuals were collected. subsequently, a multi-layer perceptron (mlp), radial basis function (rbf), and support vector machine (svm) models were compared to enhance the analysis of the effects of preventive measures on covid-19 infection. finally, the most influential factors affecting the likelihood of covid-19 infection were determined using sensitivity analysis.results: the results showed that the accuracies achieved in predicting the impact of preventive measures and health behaviors on covid-19 in occupational settings were 78.1%, 81.2%, and 78.1% by mlp, rbf, and svm respectively. the rbf model was identified as the most accurate model for predicting the impact of health behaviors on covid-19 disease additionally, the level of social distancing with customers, handwashing frequency and disinfection, the availability of cleansing and disinfecting agents for hands and surfaces in the workplace, and gatherings for eating meals and snacks were identified as the most significant health behaviors influencing the prevalence of covid-19 in the workplace.conclusion: studies of this nature can underscore the importance of attention to preventive measures and health behaviors in unprecedented circumstances. furthermore, the utilization of artificial intelligence models and tools such as dss (decision support systems) can serve as powerful tools for optimizing control measures in work environments.