EFFECTIVENESS OF THE BAYESIAN NETWORK MODEL ON PREDICTION PULMONARY FUNCTION TEST OF WELDING EMPLOYEES: CASE STUDY IN AUTO PART FACTORY IN EASTERN THAILAND

Abstract

Objective: This study aims to study the factors affecting lung dysfunction of welding workers in an auto parts factory in Eastern Thailand. This study also developed a Bayesian Network to prediction pulmonary function from welding worker and test the efficacy of the regression Baysian Network with real data. Method: A cross-sectional study base on retrospective data from secondary data. In a sample of 515 subjects consisted of 234 abnormal pulmonary function and 281 normal pulmonary function. The data were analyzed using the crude odd ratio, 95% confidence interval of OR, and multivariate logistic regression statistics in the analysis of risk factors affecting lung dysfunction of welding worker, and then a Bayesian Network was built. To validate its performance, cross validation were performed, and area under the curve (AUC) and accuracy of The Bayesian Network were calculated. Result: That most of subjects were males of average age (SD) was 35.85 (7.759) years. Most of them had smoking history, 63.23%, but 60.00% had a history of no alcohol use, and had time to work no more than 8 hours a day while working, 74.2%, respiratory protective equipment uses, 72.8%, no ventilation at work 73.6%. Pulmonary function assessment results, most of them had normal lung function. An analysis of factors affecting lung dysfunction in welding workers found a 95% confidence interval (95% CI), consisting of working over 8 hours, OR 1.972 times (95%CI = 1.378, 2.778), without respiratory protection OR 1.461 times (95%CI = 1.310, 2.968). As a result of model testing, with ROC and AUC of 0.5479. The models had approximately 50% specificity and 51.06% sensitivity (cut off = 60). Pulmonary function prediction by Bayesian Network model the most probable value risk factor are: age 11.1% weight 7.62% working time per day 7.16% and working environment 6.99% Conclusion: The factors affecting pulmonary function of welding worker. The most factors for pulmonary lung dysfunction, in descending order were age, weight, working time per day and working environment. Bayesian Network pulmonary function test results using Netica program are based on real data of personal and work factors of welding worker, In this research, Bayesian Network was predicted approximately 50% compared to pulmonary function with the Siriraj equation.

วัตถุประสงค์การศึกษา 1) เพื่อศึกษาปัจจัยที่ส่งผลต่อสมรรถภาพปอดของพนักงานเชื่อมในโรงงานผลิตชิ้นส่วนยานยนต์ในเขตภาคตะวันออก 2) เพื่อสร้างและทดสอบประสิทธิภาพของแบบจำลอง Bayesian Network โดยการเปรียบเทียบความสอดคล้องของการทำนายสมรรถภาพปอดระหว่างแบบจำลอง Bayesian Network กับการแปลผลสมรรถภาพปอดด้วยสมการศิริราช 3) เพื่อการทำนายปัจจัยที่ส่งผลต่อความผิดปกติของสมรรถภาพปอดจากแบบจำลอง Bayesian Network จากการเชื่อมโลหะของพนักงานเชื่อมในโรงงานผลิตชิ้นส่วนยานยนต์ในเขตภาคตะวันออก วิธีการศึกษา การศึกษาแบบตัดขวางโดยเก็บจากข้อมูลย้อนหลังจากข้อมูลทุติยภูมิ ของโรงพยาบาลเอกชนแห่งหนึ่ง ได้ขนาดตัวอย่างจำนวน 515 คน ประกอบด้วยสมรรถภาพปอดผิดปกติจำนวน 234 คน และสมรรถภาพปอดปกติจำนวน 281 คน จากนั้นทำการวิเคราะห์ด้วยสถิติ Crude odd ratio, 95% confidence interval of OR และ Multivariate logistic regression analysis เพื่อวิเคราะห์ปัจจัยที่ส่งผลกับสมรรถภาพปอดของพนักงานเชื่อมในโรงงานผลิตชิ้นส่วนยานยนต์ หลังจากนั้นได้สร้างและพัฒนาแบบจำลอง Bayesian Network เพื่อใช้ทำนายสมรรถภาพปอด และทดสอบประสิทธิภาพด้วย 10-fold cross validation ผลการศึกษา พบว่ากลุ่มตัวอย่างเพศชายทั้งหมด มีอายุเฉลี่ย (SD) เท่ากับ 35.85 (7.759) ปี ส่วนใหญ่ (ร้อยละ 63.23) มีประวัติการสูบบุหรี่ และไม่มีประวัติการดื่มแอลกอฮอล์ (ร้อยละ 60.0) มีอายุงานเฉลี่ย (SD) เท่ากับ 8.74 (5.764) ปี เวลาในการทำงานไม่เกิน 8 ชั่วโมงต่อวัน (ร้อยละ 74.2) ส่วนใหญ่ทำงานไม่มีการใช้อุปกรณ์ป้องกันทางเดินหายใจ (ร้อยละ 72.8) และสภาพแวดล้อมในการทำงานพบว่าไม่มีเครื่องระบายอากาศในที่ทำงาน (ร้อยละ 73.6) ผลการวิเคราะห์ปัจจัยที่มีความสัมพันธ์กับสมรรถภาพปอดของพนักงานเชื่อมโลหะ ประกอบด้วยปัจจัยการทำงานเกิน 8 ชั่วโมงต่อวัน OR 1.972 เท่า 95%CI (1.378, 2.778) การไม่สวมอุปกรณ์ป้องกันทางเดินหายใจ OR 1.461 เท่า 95%CI (1.310, 2.968) จากการทดสอบประสิทธิภาพของแบบจำลอง ได้ค่า AUC 0.5479 ค่า Sensitivity 51.06 และ ค่า Specificity 50.00 ผลการทำนายสมรรถภาพปอดด้วยแบบจำลอง Bayesian Network พบว่าความน่าจะเป็นของแต่ละปัจจัยเสี่ยงจะเพิ่มโอกาสที่ปอดจะผิดปกติมากขึ้น พบว่าปัจจัยเสี่ยง 4 อันดับแรกที่ปอดจะผิดปกติมากที่สุดเรียงตามลำดับ ได้แก่ อายุที่เพิ่มขึ้น 11.1% น้ำหนักที่เพิ่มขึ้น 7.62% ระยะเวลาการทำงานต่อวัน 7.16% และสภาพแวดล้อมในการทำงาน 6.99% ตามลำดับ สรุป การศึกษาครั้งนี้ พบปัจจัยที่ส่งผลต่อสมรรถภาพปอดของพนักงานเชื่อมโลหะ โดยความน่าจะเป็นของปัจจัยเสี่ยงที่ทำให้ปอดผิดปกติมากที่สุดเรียงตามลำดับ ได้แก่ อายุ น้ำหนัก ระยะเวลาการทำงานต่อวัน และสภาพแวดล้อมในการทำงาน ตามลำดับ ผลการทดสอบสมรรถภาพปอดด้วย Bayesian Networks โดยใช้โปรแกรม Netica จากข้อมูลจริงของปัจจัยส่วนบุคคลและปัจจัยจากการทำงานของพนักงานเชื่อมโลหะที่เข้ารับการตรวจสมรรถภาพปอด ทำนายสมรรถภาพปอดได้ประมาณ 50% เมื่อเทียบกับการแปลผลสมรรถภาพปอดด้วยสมการศิริราช