توسعه مدل های مبتنی بر یادگیری ماشین برای بهبود غربالگری سلامت شغلی در صنعت معدن: مطالعه موردی مجتمع مس شهربابک

غربالگری سلامت شغلی در صنایع معدنی به دلیل مواجهه گسترده کارگران با عوامل زیان آور مانند صدا، گرد و غبار و استرس های فیزیکی نقش مهمی در پیشگیری و تشخیص زودهنگام بیماری های شغلی دارد. با این حال، روش های رایج غربالگری عمدتا مبتنی بر آستانه های ثابت و تفسیر بالینی متخصصان هستند. در این مطالعه، یک چارچوب مفهومی به همراه مدل های مبتنی بر یادگیری ماشین برای بهبود فرآیند غربالگری سلامت شغلی در مجتمع مس شهربابک ارائه شد. داده ها شامل نتایج ادیومتری، اسپیرومتری و شاخص های قلبی-متابولیک بود. سه مدل Random Forest، XGBoost و Logistic Regression برای پیش بینی افت شنوایی، اختلالات تنفسی و ریسک قلبی استفاده شدند. نتایج نشان داد که متغیرهایی مانند سابقه کار، سن و شاخص های فیزیولوژیک بیشترین اهمیت را دارند. نتیجه گیری: استفاده از هوش مصنوعی می تواند دقت غربالگری را افزایش داده و رویکردی پیش بینانه ایجاد کند.

کلیدواژه ها:

یادگیری ماشین ، طب کار ، غربالگری سلامت شغلی ، صنایع معدنی