نوع مقاله : مقاله پژوهشی
نویسندگان
1 دکترای تخصصی، گروه مهندسی بهداشت محیط، دانشگاه علوم پزشکی شیراز، شیراز، ایران
2 دانشیار، گروه مهندسی بهداشت محیط، دانشگاه علوم پزشکی شیراز، شیراز، ایران
چکیده
مقدمه: با‌توجه‌به اثر چشمگیر عوامل محیطی و ساختاری بر غلظت بیوآئروسلها در هوای درونی بیمارستان و همچنین توجه کمتر به تعیین این ارتباط که معمولاً به صورت غیرخطی است، هدف از این مطالعه تعیین پراکندگی توزیع بیوآئروسلها و عوامل محیطی مؤثر بر غلظت آن‌ها در هوای درونی بیمارستان با استفاده از شبکه‌ی عصبی مصنوعی بوده است.
روشها: در این مطالعه غلظت بیوآئروسلها با استفاده از روش غیرفعال و به مدت یک ساعت در ناحیه‌ی تنفسی انسان تعیین گردید. محیط کشت استفاده‌شده برای باکتری و قارچ به‌ترتیب تیپیکون سوی آگار سابورود دکستروز آگار بوده که در دماهای 15، 25 و 37 درجه، انکوبه گردید. متغیر مستقل شامل سه دسته متغیرهای ساختاری (تعداد تخت‌های بخش، ابعاد اتاق و ابعاد پنجره‌ها)، متغیرهای راهبری و مدیریت در بیمارستان (تعویض هوای بخش در هر ساعت) و متغیرهای آنالیزی (دمای انکوباسیون و نوع محیط کشت) بوده که اثر این متغیرها به‌وسیله‌ی شبکه‌ی عصبی مصنوعی با الگوریتم levenberg-marqut مدل‌سازی شد.
یافته‌ها: پیش‌بینی اثر عوامل نتایج این مطالعه نشان داد که پراکندگی بیوآئروسلها در بخش‌های دیالیز و جراحی مردان بیشتر بوده است. همچنین شبکه‌ی عصبی مصنوعی توانایی مناسبی در پیش‌بینی اثر عوامل محیطی و ساختاری بیمارستان بر روی بیوآئروسلها به‌خصوص قارچ‌ها داشته است؛ به طوری که حداکثر و حداقل غلظت باکتری‌ها و قارچ‌ها در داده‌های واقعی مشابه با داده‌های پیش‌بینی‌شده‌ی شبکه‌ی عصبی مصنوعی بوده است. افزون‌بر این، ضریب هم‌بستگی برای قارچ‌ها برابر با 0.95 بوده و میزان هم‌بستگی داده‌های واقعی و داده‌های پیش‌بینی‌شده توسط شبکه‌ی عصبی مصنوعی بالاتر از 0.92 بوده است.
نتیجه‌گیری: با توجه به نتایج، شبکه عصبی مصنوعی میتواند روش مناسب و قابل اعتمادی جهت پیش بینی وابستگی غلظت بیوآئروسلها به عوام محیطی و ساختاری بیمارستان باشد.
کلیدواژه‌ها
- Li Y, Fu H, Wang W, Liu J, Meng Q, Wang W. Characteristics of bacterial and fungal aerosols during the autumn haze days in Xi'an, China. Atmospheric Environment. 2015; 122: 439-47.
- Soleimani Z, Goudarzi G, Sorooshian A, Marzouni MB, Maleki H. Impact of Middle Eastern dust storms on indoor and outdoor composition of bioaerosol. Atmospheric environment. 2016; 138: 135-43.
- Tsao Y-C, Hwang Y-H. Impact of a
water-damaged indoor environment on kindergarten student absences due to upper respiratory infection. Building and environment. 2013; 64: 1-6. - Abbasi F, Jalili M, Samaei MR, Mokhtari AM, Azizi E. Effect of land use on cultivable bioaerosols in the indoor air of hospital in southeast Iran and its determination of the affected radius around of hospital. Environmental Science and Pollution Research. 2021; 28(10): 12707-13.
- Bolookat F, Hassanvand MS, Faridi S, Hadei M, Rahmatinia M, Alimohammadi M. Assessment of bioaerosol particle characteristics at different hospital wards and operating theaters: A case study in Tehran. MethodsX. 2018; 5: 1588-96.
- Liu Z, Zhu Z, Zhu Y, Xu W, Li H. Investigation of dust loading and culturable microorganisms of HVAC systems in 24 office buildings in Beijing. Energy and Buildings. 2015; 103: 166-74.
- Wang X, Liu W, Huang C, Cai J, Shen L, Zou Z, et al. Associations of dwelling characteristics, home dampness, and lifestyle behaviors with indoor airborne culturable fungi: on-site inspection in 454 Shanghai residences. Building and Environment. 2016; 102: 159-66.
- Asif A, Zeeshan M, Hashmi I, Zahid U, Bhatti MF. Microbial quality assessment of indoor air in a large hospital building during winter and spring seasons. Building and environment. 2018; 135: 68-73.
- F, Samaei. MR, Manoochehri. Z, Jalili. M, Yazdani. E. The effect of incubation temperature and growth media on index microbial fungi of indoor air in a hospital building in Shiraz, Iran. journal of building engineering. 2020; 31: 101294.
- Abbasi F, Samaei MR. The effect of temperature on airbornefilamentous fungi in the indoor and outdoor space of a hospital. En-viron Sci Pollut. 2019.
- Romano F, Gustén J, Joppolo CM, Ljungqvist B, Reinmüller B. Some aspects on the sampling efficiency of microbial impaction air samplers. Particuology. 2015; 20: 110-3.
- Liu Z, Li H, Cao G. Quick estimation model for the concentration of indoor airborne culturable bacteria: an application of machine learning. International journal of environmental research and public health. 2017; 14(8): 857.
- Spilak MP, Madsen AM, Knudsen SM, Kolarik B, Hansen EW, Frederiksen M, et al. Impact of dwelling characteristics on concentrations of bacteria, fungi, endotoxin and total inflammatory potential in settled dust. Building and Environment. 2015; 93: 64-71.
- Wang J-Z, Wang J-J, Zhang Z-G, Guo S-P. Forecasting stock indices with back propagation neural network. Expert Systems with Applications. 2011; 38(11): 14346-55.
- Jani D, Mishra M, Sahoo PK. Application of artificial neural network for predicting performance of solid desiccant cooling systems–A review. Renewable and Sustainable Energy Reviews. 2017; 80: 352-66.
- Liu Z, Cheng K, Li H, Cao G, Wu D, Shi Y. Exploring the potential relationship between indoor air quality and the concentration of airborne culturable fungi: a combined experimental and neural network modeling study. Environmental Science and Pollution Research. 2018; 25(4): 3510-7.
)