پیش‌بینی اختلالات اسکلتی‌عضلانی بر اساس اطلاعات دموگرافیک افراد به کمک روش‌های هوش مصنوعی و پرسش‌نامه ی cmdq

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، 810 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 f1-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 f1-score به‌ترتیب، برابر با 0/724، 0/709، 0/756 و 0/720 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.

prediction of musculoskeletal disorders based on people's demographic information using artificial intelligence methods and the cornell musculoskeletal discomfort questionnaire

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.