Please use this identifier to cite or link to this item: http://ir.buu.ac.th/dspace/handle/1513/451
Full metadata record
DC FieldValueLanguage
dc.contributorViritphon Kasemsuken
dc.contributorวิริทธิ์พล เกษมสุขth
dc.contributor.advisorANAMAI THETKATHUEKen
dc.contributor.advisorอนามัย เทศกะทึกth
dc.contributor.otherBurapha University. Faculty of Public Healthen
dc.date.accessioned2022-06-16T02:41:02Z-
dc.date.available2022-06-16T02:41:02Z-
dc.date.issued4/4/2022
dc.identifier.urihttp://ir.buu.ac.th/dspace/handle/1513/451-
dc.descriptionMaster Degree of Science (M.Sc.)en
dc.descriptionวิทยาศาสตรมหาบัณฑิต (วท.ม.)th
dc.description.abstractObjective: This study aimed to assess the prevalence and factors associated with the severity of work-related injuries among workers in major industries in Samutprakan province. This study also developed a neural network to forecast lost workdays from occupational injury and tested the efficacy of the regression neural network with the real scenario.                       Method: A retrospective cross-sectional study was performed in Samutprakarn province by purposive sampling of 1098 work-related injury cases treated in the emergency room of a government hospital between January 2019 and December 2020. Personal and occupational factors were retrieved from the electronic medical records. Severity was defined by days of sick leave in the medical certificate. Personal and occupational factors of workers were analyzed by using the crude odds ratio, 95% confidence interval of OR, and multivariate logistic regression to determine the factors associated with the severity of work-related injuries that require three or more days of sick leave. A total of 1098 cases were divided into 3 categories. First 700 cases as learning set and 300 cases as testing set and the last 98 cases for cross validating which would be the result of network in meeting non-experienced data (network test data). For training network, Python were used and for comparing different network models relatively used RMSE.                       Result: The prevalence of severe work-related injuries that required three or more days of sick leave in Samutprakan province was 25.4%. The demographic characteristic, based on personal factors, most of them were males (80.6%). The mean age was 35.7±11.8 years, The majority of cases were aged 21-30 years (34.1%) and Thai nationality (55.9%). Work-related injuries often occurred in the day shift (67.7%) and in the construction industry (51.9%). Factors associated with severity of work-related injuries that required three or more days of sick leave with adjusted OR (95% CI) were male 1.8(1.27-2.62), age ≤30 years 1.3(1.01-1.61), foreign workers 1.5(1.15-1.93), afternoon shift 1.32(1.00-1.75) and agriculture and livestock industry 1.88(1.03-3.75), respectively. Finally, the development of neural network model 8 (Hidden layer 1, Node 100) has the momentum learning rule and tanh transfer function which gave the best result of prediction of RMSE at 1.16 and the accuracy was 56.5%                       Conclusion: The factors associated with severe work-related injuries that required three or more days of sick leave include both personal and occupational factors. These factors should be taken into the occupational safety risk assessment and can be used to create more effective safety measures in the workplace in the future. In this research, the neural network has been utilized for the prediction severity of occupational injury in the number of lost workdays. The best values of RMSE and accuracy of the model were 1.16 and 56.5%. For this purpose, we can use this neural network, model 8 for helping the safety manager for making decisions in the risk estimation and preventive measures of the worker.en
dc.description.abstractวัตถุประสงค์การศึกษาเพื่อ 1) เพื่อศึกษาความชุกและปัจจัยที่มีความสัมพันธ์กับระดับความรุนแรงของการบาดเจ็บจากการทำงานของแรงที่ทำงานในกลุ่มอุตสาหกรรมหลักของจังหวัดสมุทรปราการ 2) เพื่อพัฒนาระบบโครงข่ายประสาทเทียมสำหรับทำนายจำนวนวันหยุดงานจากการเกิดอุบัติเหตุจากการทำงาน 3) เพื่อทำนายจำนวนวันหยุดงานของการประสบอันตรายจาการทำงาน ด้วยระบบโครงข่ายประสาทเทียมสำหรับทำนายจำนวนวันหยุดงานจากการเกิดอุบัติเหตุจากการทำงาน                       วิธีการศึกษา การศึกษาแบบตัดขวางเชิงวิเคราะห์ข้อมูลย้อนหลังจากข้อมูลเวชระเบียนอิเล็กทรอนิกส์ของผู้ที่บาดเจ็บจากการทำงานที่มาเข้ารับการรักษาที่ห้องฉุกเฉินของโรงพยาบาลแห่งหนึ่งในจังหวัดสมุทรปราการในช่วงเดือนมกราคม พ.ศ. 2562 ถึงเดือนธันวาคม พ.ศ. 2563 โดยบันทึกข้อมูลปัจจัยส่วนบุคคลและปัจจัยจากการทำงานของกลุ่มตัวอย่าง จากนั้นทำการวิเคราะห์ด้วยสถิติ crude odds ratio, 95% confidence interval of OR และ multivariate logistic regression analysis เพื่อหาความสัมพันธ์ของปัจจัยที่สัมพันธ์กับระดับความรุนแรงของการเกิดอุบัติเหตุจากการทำงานที่ต้องหยุดงานตั้งแต่ 3 วันขึ้นไป เมื่อได้ปัจจัยที่ส่งผลต่อตวามรุนแรงของการเกิดอุบัติเหตุจากการทำงานที่ต้องหยุดงานตั้งแต่ 3 วันขึ้นไปมาใช้ในการพัฒนาแบบจำลองโครงขายประสาทเทียมเพื่อใช้ทำนายจำนวนวันหยุดงานจากการเกิดอุบัติเหตุจากการทำงาน และทำการทดสอบประสิทธิภาพด้วย รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root mean square error) จากนั้นทำการสรุปและอภิปรายผลการทดสอบประสิทธิภาพของโครงข่ายประสาทเทียม                       ผลการศึกษา ความชุกของระดับความรุนแรงของการบาดเจ็บจากการทำงานของแรงงานในจังหวัดสมุทรปราการพบว่าร้อยละ ร้อยละ 25.4 มีการหยุดงานตั้งแต่ 3 วันขึ้นไป พิจารณาจากปัจจัยส่วนบุคคลพบส่วนใหญ่เป็นเพศชายร้อยละ 80.6 อายุเฉลี่ย 35.44±11.8 ปี ส่วนใหญ่อยู่ในช่วงอายุ 21-30 ปี ร้อยละ 34.1 และสัญชาติไทยร้อยละ 55.9 พบปัจจัยการทำงานในสวนของช่วงกะเช้าเวลา 8.00-16.00 ร้อยละ 67.7 และอุตสาหกรรมรับเหมาก่อสร้างร้อยละ 51.9 โดยปัจจัยที่มีความสัมพันธ์กับระดับความรุนแรงของการบาดเจ็บจากการทำงานที่ต้องหยุดงานตั้งแต่ 3 วัน โดยมี OR (95% CI) คือ เพศชาย 1.8(1.27-2.62)  แรงงานต่างชาติ 1.5(1.15-1.93)  และประเภทอุตสาหกรรมการเกษตรและปศุสัตว์ 1.88(1.03-3.75) ตามลำดับ โดยแบ่งข้อมูล 700 ชุดสำหรับการฝึกฝน 300 ชุดสำหรับทดสอบและอีก 98 เก็บไว้เพื่อเป็นข้อมูลจริงสำหรับการทดสอบประสิทธิภาพ จากการทดลองพัฒนาโครงข่ายประสาทเทียมนั้น พบว่า Model 8 เป็นแบบจำลองที่มีประสิทธิภาพสูงที่สุด โดยมีโครงสร้างแบบ Multilayer perceptron ที่มี hidden layer 1 ชั้น จำนวน node 100 ตัว ใช้ฟังก์ชั่นการแปลงแบบ tanh และการเรียนรู้แบบ momentum นั้นมีรากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root mean square error; RMSE) น้อยที่สุดที่ 1.16 และความแม่นยำ (Accuracy) เท่ากับร้อยละ 56.5                       สรุป การศึกษาครั้งนี้ พบความชุกของการการบาดเจ็บจากการทำงานที่รุนแรงจนต้องหยุดงานตั้งแต่ 3 วันของแรงงานในจังหวัดสมุทรปราการคิดเป็นร้อยละ 25.4 และปัจจัยที่สัมพันธ์กับการบาดเจ็บจากการทำงานที่รุนแรงจนต้องหยุดงานตั้งแต่ 3 วันอย่างมีนัยสำคัญในส่วนของปัจจัยส่วนบุคคลได้แก่ เพศชาย ช่วงอายุที่น้อยกว่า 30 ปี และสัญชาติที่ไม่ใช่สัญชาติไทย ปัจจัยจากการทำงานได้แก่ ช่วงเวลาการทำงานในช่วงกะบ่าย 16.01-24.00 น.  และประเภทของอุตสาหกรรม คือ อุตสาหกรรมการเกษตรและปศุสัตว์ และในการพัฒนาโครงข่ายประสาทเทียมในการวิจัยในครั้งนี้พบว่า Model 8 เป็นแบบจำลองที่มีประสิทธิภาพสูงที่สุดในการทำนายจำนวนวันหยุดงานจากการเกิดอุบัติเหตุจากการทำงานของพนักงานโดยมีค่า RMSE เท่ากับ 1.16 และความแม่นยำ (Accuracy) เท่ากับร้อยละ 56.5 ดังนั้นควรนำปัจจัยเหล่านี้มาร่วมพิจารณาและทำการบูรณาการร่วมกับการใช้แบบจำลองโครงข่ายประสาทเทียม Model 8 ในการจัดทำการประเมินความเสี่ยงและมาตรการป้องกันอุบัติเหตุในสถานประกอบกิจการเพื่อที่จะสามารถวางแผนป้องกันการเกิดอุบัติเหตุได้ด้อย่างมีประสิทธิภาพต่อไปในอนาคตth
dc.language.isoth
dc.publisherBurapha University
dc.rightsBurapha University
dc.subjectความชุก/ ปัจจัยที่เกี่ยวข้องกับการเกิดอุบัติเหตุ/ อุบัติเหตุจากการทำงาน/ ความรุนแรงของการบาดเจ็บ/ โครงข่ายประสาทเทียมth
dc.subjectPREVALENCE/ ASSOCIATED FACTORS/ WORK-RELATED INJURY/ SEVERITY OF INJURY/ NEURAL NETWORKen
dc.subject.classificationHealth Professionsen
dc.titleDEVELOPMENT OF NEURAL NETWORK MODEL FOR FORCASTING THE LOST WORKDAY FROM OCCUPATIONAL INJURY en
dc.titleการพัฒนาระบบโครงข่ายประสาทเทียมสำหรับทำนายจำนวนวันหยุดงานจากการเกิดอุบัติเหตุจากการทำงาน th
dc.typeTHESISen
dc.typeวิทยานิพนธ์th
Appears in Collections:Faculty of Public Health

Files in This Item:
File Description SizeFormat 
62920128.pdf3.07 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.