نقش هوش مصنوعی در جلوگیری از بیماری های شغلی و ارتقای ایمنی محل کار
کلمات کلیدی:
بیماری‌های شغلی, پنوموکونیوز, هوش مصنوعی, یادگیری ماشینچکیده
اهداف: در عصری که با پیشرفت‌های پویای فناوری مشخص می‌شود، رفاه نیروی کار همچنان سنگ بنای پیشرفت و پایداری است. چشم‌انداز صنعتی در حال تحول در دنیای مدرن تأثیر قابل توجهی بر سلامت و ایمنی شغلی (OHS) داشته است. تضمین رفاه کارگران و ایجاد محیط‌های کاری ایمن نه تنها از الزامات اخلاقی، بلکه از اجزای جدایی‌ناپذیر حفظ کارایی و بهره‌وری عملیاتی نیز هستند. هدف ما بررسی پیشرفت‌هایی است که با پتانسیل تغییر شکل ایمنی محل کار با ادغام فناوری‌های جدید مبتنی بر هوش مصنوعی (AI) برای جلوگیری از بیماری‌های شغلی و ارتقای راه‌حل‌های ایمنی، رخ داده‌اند. روش‌ها: منابع منتشر شده با استفاده از پایگاه‌های داده علمی Embase، PubMed و Google Scholar، از جمله یک بازه زمانی پایین‌تر از سال ۱۹۷۴، برای ثبت پیشرفت‌های زمانی در تشخیص بیماری‌های شغلی و راه‌حل‌های فناوری مورد استفاده در تأسیسات صنعتی، شناسایی شدند. نتایج: فناوری‌های مبتنی بر هوش مصنوعی، انقلابی در نحوه برخورد سازمان‌ها با سلامت و ایمنی ایجاد می‌کنند و بینش‌های پیش‌بینی‌کننده، نظارت بلادرنگ و استراتژی‌های کاهش ریسک را ارائه می‌دهند که نه تنها حوادث و خطرات را به حداقل می‌رسانند، بلکه راه را برای رویکردی پیشگیرانه‌تر و پاسخگوتر برای حفاظت از نیروی کار هموار می‌کنند.
نتیجه‌گیری: همزمان با پذیرش پتانسیل تحول‌آفرین هوش مصنوعی توسط صنایع، مرز جدیدی از امکانات برای افزایش ایمنی محل کار پدیدار می‌شود. این هم‌افزایی بین بهداشت حرفه‌ای و هوش مصنوعی، لحظه‌ای محوری در تلاش برای ایجاد محیط‌های کاری امن‌تر، سالم‌تر و پایدارتر را رقم می‌زند.
دانلودها
مراجع
Blackley, D. J., Halldin, C. N., & Laney, A. S. (2018). Continued increase in prevalence of
coal workers’ pneumoconiosis in the United States, 1970–2017. American Journal of Public
Health, 108(9), 1220–1222. https://doi.org/10.2105/AJPH.2018.304517
Çallı, E., Sogancioglu, E., van Ginneken, B., van Leeuwen, K. G., & Murphy, K. (2021). Deep
learning for chest X-ray analysis: A survey. Medical Image Analysis, 72, 102125.
https://doi.org/10.1016/j.media.2021.102125
Cellina, M., Cè, M., Irmici, G., et al. (2022). Artificial intelligence in lung cancer imaging:
Unfolding the future. Diagnostics, 12(11), 2644. https://doi.org/10.3390/diagnostics12112644
Choe, J., Lee, S. M., Hwang, H. J., et al. (2022). Artificial intelligence in lung imaging.
Seminars in Respiratory and Critical Care Medicine, 43(6), 946–960.
https://doi.org/10.1055/s-0042-1753463
Gihleb, R., Giuntella, O., Stella, L., & Wang, T. (2022). Industrial robots, workers’ safety, and
health. Labour Economics, 78, 102205. https://doi.org/10.1016/j.labeco.2022.102205
Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson Education India.
Howard, J. (2019). Artificial intelligence: Implications for the future of work. American
Journal of Industrial Medicine, 62(11), 917–926. https://doi.org/10.1002/ajim.23037
Kruger, R., Thompson, W., & Turner, A. (1974). Computer diagnosis of pneumoconiosis.
IEEE Transactions on Systems, Man, and Cybernetics, SMC-4(1), 40–49.
https://doi.org/10.1109/TSMC.1974.5408519
Li, J., Yin, P., Wang, H., et al. (2022). The burden of pneumoconiosis in China: An analysis
from the Global Burden of Disease Study 2019. BMC Public Health, 22(1), 1114.
https://doi.org/10.1186/s12889-022-13402-6
Lozano, R., Naghavi, M., Foreman, K., et al. (2012). Global and regional mortality from 235
causes of death for 20 age groups in 1990 and 2010: A systematic analysis for the global burden
of disease study 2010. Lancet, 380(9859), 2095–2128. https://doi.org/10.1016/S0140-
6736(12)61728-0
Matyga, A. W., Chelala, L., & Chung, J. H. (2023). Occupational lung diseases: Spectrum of
common imaging manifestations. Korean Journal of Radiology, 24(8), 795–806.
https://doi.org/10.3348/kjr.2023.0274
Moshayedi, A. J., Xu, G., Liao, L., & Kolahdooz, A. (2021). Gentle survey on MIR industrial
service robots: Review & design. Journal of Modern Processing in Manufacturing and
Production, 10(1), 31–50.
Qi, X.-M., Luo, Y., Song, M.-Y., et al. (2021). Pneumoconiosis: Current status and future
prospects. Chinese Medical Journal, 134(8), 898–907.
https://doi.org/10.1097/CM9.0000000000001461
Rajpurkar, P., & Lungren, M. P. (2023). The current and future state of AI interpretation of
medical images. New England Journal of Medicine, 388(21), 1981–1990.
https://doi.org/10.1056/NEJMra2301725
Vlahovich, K. P., & Sood, A. (2021). A 2019 update on occupational lung diseases: A narrative
review. Pulmonary Therapy, 7(1), 75–87. https://doi.org/10.1007/s41030-020-00143-4
Woschank, M., Rauch, E., & Zsifkovits, H. (2020). A review of further directions for artificial
intelligence, machine learning, and deep learning in smart logistics. Sustainability, 12(9), 3760.
https://doi.org/10.3390/su12093760
Yang, S., Zhong, Y., Feng, D., Li, R. Y. M., Shao, X. F., & Liu, W. (2022). Robot application
and occupational injuries: Are robots necessarily safer? Safety Science, 147, 105623.
https://doi.org/10.1016/j.ssci.2021.105623
Youxin, L. (2011). Economic burden. In T. L. Guidotti (Ed.), Global occupational health
(online ed., pp. 536–543). Oxford University Press.
https://doi.org/10.1093/acprof:oso/9780195380002.003.0029
Yates, D. H., Perret, J. L., Davidson, M., Miles, S. E., & Musk, A. W. (2021). Dust diseases in
modern Australia: A discussion of the new TSANZ position statement on respiratory
surveillance. Medical Journal of Australia, 215(1), 13–15.e1.
