در این طرح دکتر مریم احمدی به عنوان مجری اصلی و رئوف نوپور (مجری دانشجو) و بنده نیز به عنوان همکار طرح مشارکت داشتم. دلیل اصلی انتخاب موضوع به ماهیت و مشکلات دوره سالمندی مربوط می‌شود. از آنجا که جمعیت سالمندی روبه افزایش است و این گروه از اقشار جامعه آسیب پذیر بوده که با مشکلاتی همچون افزایش بیماری‌های غیر واگیر و مزمن روبروهستند. پدیده سالمندی با تغییرات عمده ای در ابعاد مختلف سلامتی مانند کاهش کیفیت زندگی، وابستگی فرد به دیگران در انجام کارهای روزانه، افزایش اختلالات روانی در فرد سالمند ناشی از سوگ فقدان‌های متعدد، تغییر وضعیت شغلی، افزایش میزان استرس، افسردگی و خودکشی همراه است.

از آنجا که فقدان مدل پیش بینی سالمندی موفق باعث شده تا ارزیابی دقیقی از کیفیت زندگی سالمندان صورت نپذیرد و افراد بیشتری در این سنین، زندگی همراه با ناخوشی و ناتوانی را سپری کنند. با توجه به این مشکلات به نظر رسید که اگر مدل‌های پیش بینی مبتنی بر یادگیری ماشین ایجاد شود که می‌تواند در زمینه شناسایی اختلالات جسمانی و روانشناختی سالمندان نقش مفیدی داشته باشد.

بنابراین، این پژوهش با هدف ایجاد مدل پیش‌بینی سالمندی موفق با استفاده از روش یادگیری ماشین بر اساس عوامل فیزیکی، روانی و سطح مشارکت اجتماعی سالمندان ایجاد شد. در این پژوهش، مسئولین و کارکنان سه مرکز سالمندی طلوع همدلی، مهرجویان و هستی شهرستان اهواز قدردانی می‌کنیم. همچنین محسن شفیعی کارشناس ارشد پرستاری سالمندشناسی در تعریف مفهوم سالمندی موفق به ما یاری رساندند.

_ پژوهش‌تان را معرفی کرده و با معرفی ویژگی و نوآوری‌ها، درخصوص موضوعات و محورهای آن توضیح دهید:

این پژوهش از این‌ جهت که برای پیش‌بینی سالمندی موفق و بهبود کیفیت زندگی سالمندان‌‌‌ استفاده شده است از نوع کاربردی بوده و با توجه به این‌که به توسعه و ارزیابی مدل پیش‌بینی سالمندی موفق پرداخته از نوع توسعه‌ای است. پژوهش حاضر در دو مرحله انجام شد، ابتدا عوامل مؤثر بر پیش‌بینی سالمندی موفق با نظرسنجی از 30 پرستار سالمند شاغل در بیمارستان حضرت رسول و فیروزگر دانشگاه علوم پزشکی ایران و بیمارستان امام خمینی و امیر المومنین شهرستان اهواز از طریق پرسش‌نامه تعیین شد.

پس از اخذ نظرسنجی از متخصصین، مهم‌ترین عوامل موثر بر پیش بینی سالمندی موفق به دست آمد که شامل عوامل اجتماعی-اقتصادی، شرایط و بیماری‌های همراه، عوامل حمایت دولتی و خانوادگی، فیزیکی، ذهنی، همه‌گیرشناسی و محیطی، جنسی، شاخص کیفیت زندگی (محورهای توانایی جسمی و اجتماعی، مشارکت فعال فیزیکی و شناختی، سلامت روانی، ارزیابی نشاط، درد جسمی و وضعیت سلامت عمومی بود)، استقلال فردی، رضایت از زندگی، سبک زندگی بود.

مرحله دوم پژوهش، با هدف طراحی و ارزیابی مدل اولیه پیش‌بینی سالمندی موفق با استفاده از یادگیری ماشین انجام شد. در این مرحله 980 نمونه سالمند طی سال‌های 1397 تا 1399 انتخاب شدند که از بین آن‌ها، 751 نمونه سالمند ناموفق و 229 سالمند موفق انتخاب شدند که به مراکز سالمندی مراجعه کردند، ابتدا از روش تحلیل رگرسیون برای شناسایی عوامل مؤثر بر پیش‌بینی سالمندی موفق استفاده شد. سپس، از الگوریتم‌های داده‌کاوی ادابوست، ایکس جی بوست، j-48، ناوی بیز، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و جنگل تصادفی برای ایجاد مدل پیش‌بینی سالمندی موفق مبتنی بر رویکرد یادگیری ماشین استفاده شد.

در نهایت الگوریتم‌ها با استفاده از معیارهای عملکردی ارزش پیش‌گویانه مثبت، ارزش پیش‌گویانه منفی، حساسیت، دقت، صحت، اندازه F و سطح زیر منحنی خصوصیت گیرنده عامل به‌منظور انتخاب بهترین مدل پیش‌بینی با بالاترین عملکرد مقایسه و تحلیل شد. جنبه نوآوری این پژوهش مربوط به دامنه پژوهش و متغیرهای تاثیرگذار در سالمندی موفق است. برخلاف پژوهش‌های پیشین، در مطالعه حاضر سعی شده است از عوامل فیزیکی، شناختی و اجتماعی در پیش‌بینی سالمندی موفق استفاده شود و تأکید این مطالعه بیشتر بر عوامل مشارکت اجتماعی و نقش این عوامل در پیش‌بینی سالمندی موفق بود.

همچنین، در این مطالعه به‌ منظور آزمون تعمیم‌پذیری مدل از روش‌های ارزیابی اعتبارسنجی خارجی مدل با نمونه‌های متعلق به سایر مراکز سالمندی استفاده شد. نتایج حاصل از ارزیابی مدل نشان داد که این مدل با در نظر گرفتن ابعاد بیشتری از سالمندی موفق و به خصوص تأکید بر جنبه‌های اجتماعی از قابلیت تعمیم‌پذیری و کاربردپذیری بالایی برخوردار بود. در مطالعه حاضر از الگوریتم‌های ترکیبی برای ایجاد مدل پیش‌بینی سالمندی موفق استفاده شد که نتایج بسیار مطلوبی به دست آمد.

مدل موجود در پژوهش حاضر می‌تواند سالمندی موفق را در افراد مسن پیش‌بینی کند تا با پیش‌بینی به‌موقع و تعدیل و بهبود عوامل مختلف فیزیکی، ذهنی و اجتماعی و بهبود سبک زندگی، میزان کیفیت زندگی و سالمندی موفق و شیوه زندگی مطلوب را در این گروه سنی از افراد افزایش دهد.