مدلسازی پیش نگر و تشخیصی مواجهه با سروصدا، کاهش شنوایی و پیامدهای سیستمیک سلامت با استفاده از مدل شبکه بیزی: مطالعه موردی در کارکنان یک پتروشیمی منطقه پارس جنوبی

نویسندگان
doi
10.18502/jhsw.v16i1.21886
چکیده

مقدمه: کاهش شنوایی ناشی از صدا (NIHL) یکی از نگرانی های اساسی در حوزه سلامت شغلی است. قرارگیری طولانی مدت در معرض صدا، نه تنها موجب آسیب شنوایی شده بلکه باعث ایجاد سایرعوارض فیزیولوژیکی سیستمیک نیز می شود. در این پژوهش، از دو توانمندی پیش بینی و تشخیصی شبکه بیزی (BN) جهت بررسی تعاملات پیچیده بین علل بروز NIHL و پیامدهای مواجهه با سروصدا استفاده شد. روش کار: در این مطالعه مقطعی، داده های ۸۲۸ کارگر پتروشیمی (شامل اطلاعات دموگرافیک، شنوایی سنجی، صداسنجی، شاخص های هماتولوژیک و بیوشیمیایی) از سوابق پزشکی و اندازه گیری های محیط کار استخراج گردیده و پیش پردازش شدند. در مرحله بعد، مدل استنتاجی شبکه بیزی با استفاده از الگوریتم Bayesian Search ساخته شد که امکان استنتاج رو به جلو (FI ، پیش بینی) و استنتاج معکوس (BI، تشخیصی) را فراهم کرد. برای ارزیابی اعتبار مدل از منحنی های ROC و تحلیل حساسیت استفاده شد. یافته ها: نتایج FI نشان داد که مواجهه با تراز SPL بالاتر از ۸۵دسی بل، خطر بروز NIHL شدید (سطح هشدار) را از ۹% به ۵۷% ، احتمال فشار خون سیستولیک بالا، قند خون ناشتا بالاتر از 100 mg/dL، و کلسترول تام بالاتر از 200 mg/dL را به ترتیب از ۶% به۱۰ %، از ۸% به ۱۸% ، از ۵% به ۹% افزایش می دهد. با ایجاد شاهد همزمان برای شرایطی نظیر SPL بالا، سابقه کار بالا و اشتغال در واحدهای پرصدا، احتمال NIHL شدید به بیش از ۷۰% افزایش یافت که با خطرات تجمعی متابولیک نیز همراه بود. BI نشان داد که مشاهده NIHL شدید، احتمال مواجهه پیشین با SPL بالا یا مرزی را به طور معناداری افزایش می دهد. افزون برآن، شاخص های متابولیکی مانند TG و FBS با احتمال مواجهه با صدا (حتی در ترازهای پایین تر از حدود اقدام) ارتباط مثبت نشان دادند. نتیجه گیری: شبکه های بیزی چارچوبی قدرتمند برای شناسایی و مدلسازی وابستگی های احتمالی مستقیم و غیرمستقیم بین مواجهه شغلی با سروصدا و پیامدهای سلامت در محیط های صنعتی فراهم می کنند. توانایی BN در استنتاج BI و FI، تشخیص پیش بینانه، پایش سلامت، و طراحی راهبردهای پیشگیرانه هدفمند را در مدیریت سلامت شغلی تقویت می کند.