توسعه و اعتبارسنجی درونی یک چارچوب یادگیری ماشین قابلتفسیر برای غربالگری مرکب ریسک شناختی–عصبی در کارگران معدن
توسعه و اعتبارسنجی درونی یک چارچوب یادگیری ماشین قابلتفسیر برای غربالگری مرکب ریسک شناختی–عصبی در کارگران معدن
رضا نظری1 سیف الدین موسی زاده2 نعیمه اکبری3 فرشاد نژادشاه محمد4
1) کارشناسی ارشد مهندسی استخراج معدن، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایران
2) دانشیار، بخش مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایران
3) استادیار، گروه فیزیولوژی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران
4) دانشیار، بخش مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایران
کد IOI مقاله
:
AAHF-ABKKAH
محل انتشار :
کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
زمینه و هدف: کارگران معدن با مجموعهای از مخاطرات شغلی از جمله مواجهه با گردوغبارهای معدنی، فلزات و شبهفلزات و عوامل روانی–شغلی مواجهاند. پیامدهای شناختی و عصبی این مواجههها ممکن است در مراحل اولیه با علائم خفیف و غیر اختصاصی ظاهر شوند و پایش گسترده آنها با ارزیابیهای تخصصی به دلیل هزینه، زمان و محدودیت دسترسی، همواره عملی نیست. هدف این پژوهش توسعه و اعتبارسنجی درونی یک چارچوب غیرتهاجمی و قابلتفسیر برای غربالگری و طبقهبندی ریسک چندبعدی شناختی–عصبی در کارگران معدن بود.
روشها: مطالعه توصیفی–تحلیلی حاضر بر روی ۲۴۲ کارگر از سه معدن در ایران انجام شد. اطلاعات جمعیتشناختی و شغلی همراه با سه ابزار Q16، GHQ-28 و MNSI جمعآوری شد. برای تعریف یک برچسب عملیاتی غربالگری، وضعیت هر فرد در هر سه ابزار بر اساس نقاط برش (Q16 ≥ ۶، GHQ-28 ≥ ۵۱ و MNSI ≥ ۷) تعیین و سپس با رأیگیری اکثریت ادغام شد؛ فردی که در دستکم دو ابزار وضعیت مثبت داشت، در کلاس ریسک بالاتر قرار گرفت. پس از کدگذاری و استانداردسازی، مجموعه آموزش با SMOTE متعادل شد. سپس یک شبکه ۹۰–۳۲–۹۰ برای استخراج نمایش نهفته به کار رفت و خروجی آن به پنج طبقهبند پایه شامل جنگل تصادفی، XGBoost، ماشین بردار پشتیبان، K-نزدیکترین همسایگان و درخت تصمیم داده شد. در نهایت از مدل تجمیعی پشتهای و SHAP برای ترکیب و تفسیر مدل استفاده شد.
یافتهها: ۱۵۵ نفر (۶۴٫۰٪) در کلاس ریسک پایینتر و ۸۷ نفر (۳۶٫۰٪) در کلاس ریسک بالاتر قرار گرفتند. دادهها با بذر تصادفی ۴۲ به ۱۹۴ نمونه آموزشی و ۴۸ نمونه آزمون تقسیم شدند. در مجموعه آموزش، ۱۵۵ نمونه کلاس صفر و ۳۹ نمونه کلاس یک وجود داشت و پس از SMOTE مجموعه آموزش به ۳۱۱ نمونه متعادل شامل ۱۵۵ نمونه کلاس صفر و ۱۵۶ نمونه کلاس یک رسید. مدل تجمیعی پشتهای در مجموعه آزمون دقت ۹۵٫۸۳٪، دقت پیشبینی برابر ۹۰٫۹۱٪، حساسیت برابر ۹۰٫۹۱٪، اختصاصیت برابر ۹۷٫۳۰٪، امتیاز F1 برابر ۹۰٫۹۱٪ و مساحت زیر منحنی برابر ۰٫۹۹۰۲ به دست آورد و تنها دو مورد خطا ثبت شد. در مقایسه با بهترین مدل پایه، یعنی XGBoost با دقت ۹۳٫۷۵٪، عملکرد مدل تجمیعی بهتر بود. مرحله یادگیری بازنمایی نهفته نسبت به حالت پایه، افزایش ۳٫۱ واحد درصدی در دقت ایجاد کرد. در تحلیل SHAP، Enc_10، Enc_31 و Enc_13 بیشترین اهمیت را داشتند؛ در میان ویژگیهای اصلی نیز MNSI و Q16 بهترتیب همبستگی ۰٫۷۶۹ و ۰٫۷۵۸ با برچسب هدف داشتند.
نتیجهگیری: نتایج نشان میدهد که ترکیب اطلاعات غربالگری چندبعدی با یادگیری ماشین و تفسیرپذیری SHAP میتواند مبنایی برای یک ابزار تصمیمیار در بهداشت حرفهای معدن باشد. با این حال، برچسب هدف در این مطالعه یک مرجع عملیاتی پرسشنامهای است و استاندارد طلایی یا تشخیص بالینی مستقل محسوب نمیشود؛ بنابراین نتایج فعلی باید بهعنوان اعتبارسنجی درونی طبقهبندی یک پیامد غربالگری تفسیر شوند و پیش از کاربرد بالینی یا اجرای گسترده، اعتبارسنجی خارجی و مقایسه با ارزیابی بالینی مستقل انجام شود.
کلمات کلیدی : کارگران معدن نوروتوکسیسیته غربالگری شناختی عصبی q16 ghq 28 mnsi یادگیری ماشین stacking ensemble shap بهداشت حرفهای