Estimación empírica de los grados de discapacidad auditiva entre trabajadores industriales basada en nuevas redes neuronales artificiales y métodos de regresión clásica

ANTECEDENTES: Los modelos de predicción se utilizan en una variedad de dominios médicos y frecuentemente se construyen a partir de la experiencia que constituye datos adquiridos de casos reales. Este estudio tiene como objetivo analizar el potencial de las redes neuronales artificiales y las técnicas de regresión logística para estimar la discapacidad auditiva entre los trabajadores industriales. MATERIALES Y MÉTODOS: Se seleccionaron un total de 210 trabajadores empleados en una fábrica de acero (en el oeste de Irán), y se analizaron sus historiales de exposición ocupacional. Los umbrales de pérdida auditiva de los trabajadores estudiados se determinaron utilizando un audiómetro calibrado. También se midieron las exposiciones personales al ruido utilizando un dosímetro de ruido en los puestos de trabajo. Los datos obtenidos de cinco variables que pueden influir en la pérdida auditiva se utilizaron como características de entrada, y los umbrales de pérdida auditiva se consideraron como características objetivo de los métodos de predicción. Se desarrollaron redes neuronales multicapa y regresión logística utilizando el software MATLAB R2011a. RESULTADOS: Basado en la clasificación de la Organización Mundial de la Salud para los grados de pérdida auditiva, el 74.2% de los trabajadores estudiados tienen umbrales auditivos normales, el 23.4% tiene pérdida auditiva leve y el 2.4% tiene pérdida auditiva moderada. La precisión y el coeficiente kappa de las mejores redes neuronales desarrolladas para la predicción de los grados de pérdida auditiva fueron 88.6 y 66.30, respectivamente. La precisión y el coeficiente kappa de la regresión logística también fueron 84.28 y 51.30, respectivamente. CONCLUSIÓN: Las redes neuronales podrían proporcionar predicciones más precisas de la pérdida auditiva que la regresión logística. El método de predicción puede proporcionar información confiable y comprensible para los expertos en salud ocupacional y medicina.