پيش بيني عوامل موثر بر اختلالات اسكلتي - عضلاني كاربران رايانه دانشگاه علوم پزشكي كرمان به روش شبكه عصبي در سال 1396

Predicting the Effective Factors on Musculoskeletal Disorders among Kerman University of Medical Sciences Computer Users through Neural Network Algorithm in 2018

در 20 سال اخير ايستگاه هاي كار با رايانه درمحيط هاي كاري و منازل مسكوني افزايش چشمگيري پيدا كرده كه باعث تسريع درانجام كارها و صرفه جويي در زمان، انرژي و منابع شده است. افزايش كار با رايانه و شرايط حاكم بر محيط هاي كاري، انسان را درمعرض ريسكفاكتورهاي اختلالات اسكلتي عضلاني از قبيل پوسچر نامطلوب يا بحراني اندامهاي بدن، كار استاتيك، تكرار عمل، افزايش فعاليت استاتيك ماهيچه اي پشت و شانه قرار دادهاست كه اين ريسكفاكتورها باروش ROSA ارزيابي مي شوند. وزن دهي اين ريسك فاكتورها با استفاده از الگوريتم شبكه عصبي انجام پذيرفت. روش كار مطالعه به صورت مقطعي، در دانشگاه علوم پزشكي كرمان، برروي 200 ايستگاه كاري انجامشد. ابتدا متغيرهاي موثر بر اختلالات اسكلتي-عضلاني با روش ROSA ، تعيين شده، و سپس نمره هريك از آنها تعيين شد. سپس نمره نهايي اختلالات اسكلتي- عضلاني كار با رايانه تعيين و پس از پيش پردازش داده ها، پيش بيني تاثير عوامل با استفاده از شبكه عصبي به دست آمد. داده ها با نرم افزار IBM SPSS Modeler 18.0 تجزيه-تحليل شد. يافته ها ميانگين نمره نهايي ROSA ، صندلي، تلفن-مانيتور و موس-كيبورد به ترتيب برابر 91 / 0 ± 36 / 4 ، 06 / 1 ± 67 / 3 ، 09 / 1 ± 68 / 3 و 18 / 1 ± 66 / 3 به دست آمد. 131 ايستگاه كار) 5 / 65 %(نمرهاي كمتراز 5 و 69 ايستگاه) 5 / 34 %(نمرهاي برابر وبالاتر از 5 دارند. طبق نتايج شبكه عصبي عامل صندلي با وزن نرمال شده 41 %، عامل تلفن-مانيتور باوزن نرمالشده 31 % و نهايتا موس-كيبورد با وزن نرمال شده 28 % به ترتيب عوامل موثر براختلالات كار بارايانه است. نتيجه گيري بيشترين وزن عوامل موثر براختلالات اسكلتي-عضلاني كار باكامپيوتر طبق اولويتبندي الگوريتم شبكه عصبي به ترتيب برابرصندلي، سپس تلفن-مانيتور و موس-كيبورد است. درنتيجه بااصلاح ارگونوميك صندلي وجانمايي مناسب تلفن و مانيتور مي توان از قسمت عمدهاي از آسيب ها جلوگيري كرد.

In the past 20 years, computers and their workplaces have increased at both offices and houses, which consequently has led to saving in time, energy and resources. This study aimed to weight risk factors of musculoskeletal disorders among computer users through neural network. Methods: A cross-sectional study was carried out at 200 stations in Kerman University of Medical Sciences. Firstly, the factors affecting musculoskeletal disorders through ROSA were determined, and then the score for each of them was determined. Then, the final score of user's musculoskeletal disorders was determined, and after pre-processing, the prediction of the effect of factors was obtained using neural network. Data was analyzed using IBM SPSS Modeler 18.0. Results: The average of final score of ROSA, chair, telephone-monitor and mouse-keyboard were 4.36 ± 0.91, 3.67 ± 1.06, 3.68 ± 1.09 an‎d 3.66 ± 1.18 respectively. 131 Workstation (65.5%) had a score less than 5 & 69 Workstation (34.5%) had a score equal to or greater than 5. Based on neural network algorithm Chair factor with a normalized weighting 41%; telephone-monitor factor with a normalized weighting 31% and finally mouse-keyboard factor with a weighting factor 28% were respectively effective factors on disorders caused by working with computers. Conclusions: The most normalized weight is for chair, and then the telephone-monitor and mouse-keyboard. We should include ergonomic interventions considering the effect of each factor (normalized weighting of factors) provided by neural network to decrease such disorders.