عنوان طرح: مقایسه میزان کارایی الگوریتم‌های مختلف یادگیری ماشین در پیش‌بینی اختلالات اسکلتی- عضلانی در دانش آموزان ابتدایی شهر همدان

مجری(ان): سارا منوچهری                                         همکار(ان): زهره منوچهری

تاریخ انتشار: مهر 1404                                           نوع طرح: طرح تحقیقاتی دانشجویی

عنوان خبر: روش‌های سنتی ارزیابی و پایش MSDها معمولاً بر قضاوت‌های ذهنی یا گزارش‌های خوداظهاری تکیه دارند

متن خبر:

اختلالات اسکلتی‌ـ‌عضلانی (MSD) به هر نوع آسیب یا اختلال عملکرد در سیستم اسکلتی‌ـ‌عضلانی و اعصاب اطلاق می‌شود که می‌تواند موجب درد، کاهش تحرک یا افت عملکرد فرد شود. دوران کودکی و نوجوانی از مراحل حساس رشد این سیستم به شمار می‌رود؛ بنابراین شناسایی و مداخله زودهنگام در مورد این اختلالات نقشی اساسی در پیشگیری از پیشرفت آن‌ها و ارتقای سلامت کودکان دارد. روش‌های سنتی ارزیابی و پایش MSDها معمولاً بر قضاوت‌های ذهنی یا گزارش‌های خوداظهاری تکیه دارند که ممکن است از دقت کافی برخوردار نباشند.هدف این پژوهش، ارزیابی کارایی الگوریتم‌های یادگیری ماشین مبتنی بر روش  SMOTE در پیش‌بینی اختلالات اسکلتی‌ـ‌عضلانی میان دانش‌آموزان ابتدایی با داده‌های نامتوازن بود. این مطالعه مقطعی در سال ۲۰۲۴ بر روی ۴۳۸ دانش‌آموز دختر و پسر پایه‌های اول تا ششم در شهر همدان انجام شد. داده‌ها از ۱۲ مدرسه دولتی و غیردولتی جمع‌آوری و وجود MSD با استفاده از پرسشنامه Cornell  سنجیده شد .با توجه به نامتوازنی داده‌ها، از پنج تکنیک خانواده SMOTE برای متعادل‌سازی داده‌ها استفاده گردید و عملکرد شش الگوریتم شامل جنگل تصادفی (RF)، بیز ساده (NB)، شبکه عصبی مصنوعی(ANN)، درخت تصمیم (DT)، تقویت گرادیان افراطی (XGBoost) و ماشین بردار پشتیبان (SVM) مقایسه شد. نتایج نشان داد که پس از متعادل‌سازی داده‌ها، دقت مدل‌ها به‌طور چشمگیری افزایش یافت؛ به‌طوری‌که دقت الگوریتم XGBoost در روش Borderline-SMOTE به ۹۶ درصد رسید. به‌طور کلی، دو الگوریتم  XGBoost  و جنگل تصادفی بهترین عملکرد را داشتند. همچنین BMI، جنسیت و امکانات منطقه‌ای به‌عنوان مهم‌ترین عوامل مؤثر بر بروز MSD شناسایی شدند.

منبع:

 Manoochehri S, Zamani M, Afshari M, Soltanian AR, Manoochehri Z. Evaluating the performance of different machine learning algorithms based on SMOTE in predicting musculoskeletal disorders in elementary school students. BMC Medical Research Methodology. 2025 Oct 2;25(1):227.

گروه مخاطب

پیام پژوهش

مدیران و سیاست گذاران آموزشی

توجه به طراحی محیط‌های مدرسه و امکانات فیزیکی بر اساس اصول ارگونومی و شاخص‌های منطقه‌ای می‌تواند در کاهش بروز اختلالات اسکلتی‌ـ‌عضلانی مؤثر باشد. پیشنهاد می‌شود از نتایج این پژوهش برای تدوین برنامه‌های سلامت دانش‌آموزی استفاده شود.

برای متخصصان بهداشت مدارس و پزشکان

می‌توان از مدل‌های هوش مصنوعی مانند XGBoost برای شناسایی زودهنگام دانش‌آموزان در معرض خطر استفاده کرد و اقدامات اصلاحی یا آموزشی را در مراحل اولیه انجام داد.

محل بکارگیری نتایج تحقیق

( صنعت، جامعه)

پیشنهاد نحوه کاربست

مدیران شهری و نهاد های برنامه ریز اجتماعی

استفاده از نتایج پژوهش برای بهبود زیرساخت‌ها و امکانات منطقه‌ای (فضای ورزشی، مبلمان شهری مناسب کودکان) در جهت کاهش عوامل محیطی مؤثر بر بروز اختلالات اسکلتی‌ـ‌عضلانی

نظام آموزش و پرورش و بهداشت مدارس

استفاده از مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی (مانند XGBoost و RF ) جهت شناسایی زودهنگام دانش‌آموزان در معرض خطر اختلالات اسکلتی‌ـ‌عضلانی و طراحی مداخلات اصلاحی (نظیر تنظیم ارتفاع میز و صندلی، آموزش وضعیت بدنی صحیح و فعالیت‌های حرکتی متناسب).

مراکز بهداشت و پژوهش‌های سلامت کودکان

به‌کارگیری یافته‌ها برای ایجاد سامانه‌های هوشمند غربالگری مبتنی بر داده‌های BMI، جنسیت و شرایط محیطی جهت پایش سلامت اسکلتی‌ـ‌عضلانی در مدارس.

لینک مقاله:

ایمیل ارتباطی و تلفن مجری اصلی طرح: saramanochehri0098@gmail.com،  soltanian@umsha.ac.ir