other مدلسازی پیش‌نگر 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 عوامل زیان آور فیزیکی محیط کار مروری Review <strong>مقدمه:</strong> کاهش شنوایی ناشی از صدا (NIHL) یکی از نگرانی‌های اساسی در حوزه سلامت شغلی است. قرارگیری طولانی‌مدت در معرض صدا، نه‌تنها موجب آسیب شنوایی شده بلکه باعث ایجاد سایرعوارض فیزیولوژیکی سیستمیک نیز می شود. در این پژوهش، از دو توانمندی پیش‌بینی و تشخیصی شبکه‌ بیزی (BN) جهت بررسی تعاملات پیچیده بین علل بروز NIHL و پیامدهای مواجهه با سروصدا استفاده شد. &nbsp;<br> <strong>روش کار:</strong> در این مطالعه مقطعی، داده‌های ۸۲۸ کارگر پتروشیمی (شامل اطلاعات دموگرافیک، شنوایی‌سنجی، صداسنجی، شاخص‌های هماتولوژیک و بیوشیمیایی) از سوابق پزشکی و اندازه‌گیری‌های محیط کار استخراج گردیده و پیش‌پردازش شدند. در مرحله بعد، مدل استنتاجی شبکه بیزی با استفاده از الگوریتم Bayesian Search ساخته شد که امکان استنتاج رو به جلو (FI ، پیش‌بینی) و استنتاج معکوس (BI، تشخیصی) را فراهم کرد. برای ارزیابی اعتبار مدل از منحنی‌های ROC &nbsp;و تحلیل حساسیت استفاده شد. &nbsp; &nbsp;<br> <strong>یافته ها: </strong>نتایج FI نشان داد که مواجهه با تراز SPL بالاتر از ۸۵دسی‌بل، 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 به‌طور معناداری افزایش می‌دهد. افزون برآن، شاخص‌های متابولیکی مانند TG و FBS با احتمال مواجهه با صدا (حتی در ترازهای پایین‌تر از حدود اقدام) ارتباط مثبت نشان دادند. &nbsp;<br> <strong>نتیجه گیری:</strong> شبکه‌های بیزی چارچوبی قدرتمند برای شناسایی و مدلسازی وابستگی‌های احتمالی مستقیم و غیرمستقیم بین مواجهه شغلی با سروصدا و پیامدهای سلامت در محیط‌های صنعتی فراهم می‌کنند. توانایی BN در استنتاج BI و FI، تشخیص پیش‌بینانه، پایش سلامت، و طراحی راهبردهای پیشگیرانه هدفمند را در مدیریت سلامت شغلی تقویت می‌کند.<br> <br> &nbsp; <strong>Introduction:</strong> Noise‑Induced Hearing Loss (NIHL) is one of the major occupational health concerns. Prolonged exposure to high noise levels not only damages auditory function but also contributes to systemic physiological disorders. This study employed the dual predictive and diagnostic capabilities of a Bayesian Network (BN) to explore the complex interactions between causal factors of NIHL and the physiological outcomes of occupational noise exposure.<br> <strong>Material and Methods:</strong> In this cross‑sectional study, medical and environmental records of 828 petrochemical workers were collected, including demographic, audiometric, noise, hematological, and biochemical variables. After preprocessing, an inferential BN model was developed using the Bayesian Search algorithm, enabling both Forward Inference (FI, predictive) and Backward Inference (BI, diagnostic) reasoning. Model performance was validated through Receiver Operating Characteristic (ROC) curve analysis and sensitivity testing.<br> <strong>Results:</strong> The FI results showed that exposure to SPL levels above 85 dB increased the risk of severe NIHL (warning level) from 9% to 57%. Also, the probability of systolic hypertension, the FBS above 100 mg/dL, and the total cholesterol above 200 mg/dL increased from 6%to10%, 8%to18%, 5% to 9% respectively. When multiple high‑risk conditions (e.g., high SPL, long work experience, noisy units) were combined, the probability of severe NIHL exceeded 70%, accompanied by cumulative metabolic disturbances. BI results indicated that the presence of severe NIHL significantly increased the posterior probability of previous exposure to high or borderline SPL levels. Moreover, metabolic indices such as triglycerides (TG) and fasting blood sugar (FBS) showed positive associations with noise exposure, even below conventional action thresholds.<br> <strong>Conclusion:</strong> Bayesian networks provide a powerful framework for identifying and modeling direct and indirect probabilistic dependencies between occupational noise exposure and health outcomes in industrial environments. Their bidirectional inference ability (FI and BI) enhances predictive surveillance, early diagnosis, and the design of evidence‑based preventive strategies in occupational health management. افت شنوایی ناشی از سروصدا, شبکه بیزی, پتروشیمی, کلسترول, فشار خون, مدلسازی پیش‌بین و تشخیصی Noise-induced hearing loss, Bayesian network, Petrochemical, Cholesterol, Blood pressure, Predictive and diagnostic modeling 1 22 http://jhsw.tums.ac.ir/browse.php?a_code=A-10-1-257&slc_lang=other&sid=1 Mohammadreza Heidarzadeh محمدرضا حیدرزاده No Arya Sasol Polymer Company, Bushehr, Iran شرکت پلیمر آریاساسول، بوشهر، ایران Ardavan Farzinpour اردوان فرزین‌پور No Arya Sasol Polymer Company, Bushehr, Iran شرکت پلیمر آریاساسول، بوشهر، ایران Seyed Jafar Esmat Saatloo سیدجعفر عصمت ساعتلو No Arya Sasol Polymer Company, Bushehr, Iran شرکت پلیمر آریاساسول، بوشهر، ایران Mohsen Omidvar محسن امیدوار m.omidvar@bpums.ac.ir Yes Department of Health, Safety, and Environment (HSE), Faculty of HSEEM, Bushehr University of Medical Sciences, Bushehr, Iran گروه ایمنی، بهداشت و محیط زیست، دانشکده HSEEM، دانشگاه علوم پزشکی بوشهر، بوشهر، ایران Siamak Abbaspour سیامک عباس‌پور No Arya Sasol Polymer Company, Bushehr, Iran شرکت پلیمر آریاساسول، بوشهر، ایران Akbar Rezaei اکبر رضایی No Arya Sasol Polymer Company, Bushehr, Iran شرکت پلیمر آریاساسول، بوشهر، ایران Ali Zeinabi علی زینبی No Arya Sasol Polymer Company, Bushehr, Iran شرکت پلیمر آریاساسول، بوشهر، ایران Sajad Zare سجاد زارع No گروه بهداشت حرفه‌ای، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان، کرمان، ایران