Ethics code: IR.TUMS.SPH.REC.1404.039
1- کارشناس‌ارشد انفورماتیک‌پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
2- دانشیار گروه مدیریت اطلاعات سلامت و انفورماتیک‌پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ،nmohammadzadeh@sina.tums.ac.ir
3- استادیار گروه علوم بهداشتی، مرکز تحقیقات سلامت سالمندان، پژوهشگاه علوم غدد و متابولیسم، دانشگاه علوم پزشکی تهران، تهران، ایران
2- دانشیار گروه مدیریت اطلاعات سلامت و انفورماتیک‌پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ،
3- استادیار گروه علوم بهداشتی، مرکز تحقیقات سلامت سالمندان، پژوهشگاه علوم غدد و متابولیسم، دانشگاه علوم پزشکی تهران، تهران، ایران
چکیده: (24 مشاهده)
زمینه و هدف: با افزایش سالمندی در جهان، افسردگی به‌عنوان یکی از شایع‌ترین اختلالات در این گروه مطرح است. فاکتورهای مختلفی می‌تواند بر افسردگی سالمندان تأثیرگذار باشد که می‌توان از آن‌ها برای پیش‌بینی این اختلال با روش یادگیری ماشین استفاده نمود. در این پژوهش با تلفیق مطالعات انجام شده در زمینه‌ی پیش‌بینی افسردگی سالمندان با یادگیری ماشین و همچنین نظرسنجی از متخصصان این حوزه به بررسی این فاکتورهای پیش‌بینی‌کننده پرداخته شده است.
روش بررسی: ابتدا جستجو در سه پایگاه اطلاعاتی شامل PubMed، Scopus و Web of Science انجام شد. پس از اعمال معیارهای ورود و خروج تعیین شده، مطالعات مرتبط با پیش‌بینی افسردگی سالمندان در حوزه‌ی یادگیری ماشین استخراج شدند. سپس پرسش‌نامه‌ای مبتنی بر ویژگی‌های استخراج شده، طراحی و نظرات شش متخصص حوزه‌ی سالمندی از مرکز تحقیقات سلامت سالمندان دانشگاه علوم پزشکی تهران در مورد اهمیت بالینی هر یک از این عوامل جمع‌آوری گردید.
یافته‌ها: پس از بررسی ۵۰۵ سند بازیابی‌شده و حذف مطالعات تکراری(۱۵۹ رکورد)، ۳۷ مطالعه، معیارهای ورود را احراز کردند. تحلیل این مطالعات دامنه‌ی وسیعی از متغیرهای بالقوه شامل عوامل جمعیت‌شناختی، سلامت، اجتماعی و اقتصادی را نشان داد. متغیرهای جنسیت، سن، سطح تحصیلات و وضعیت تأهل به‌ترتیب بیشترین فراوانی را در مطالعات داشتند. در مجموع، ۱۱۷ متغیر در ۱۶ دسته، استخراج و در قالب پرسش‌نامه، توسط ۶ نفر از خبرگان حوزه‌ی سالمندی که به‌صورت هدفمند انتخاب شده بودند، ارزیابی شد. از دید متخصصان، سابقه افسردگی قبلی با میانگین نمره‌ی ۴/۶۷ بیشترین اهمیت را داشت. پس از آن، متغیرهای مرتبط با وضعیت روانی، فعالیت بدنی، خواب و سابقه خانوادگی افسردگی با میانگین نمره‌ی ۴/۵۰ در رتبه‌ی بعدی قرار گرفتند. در مقابل، متغیرهای مربوط به اندازه‌گیری‌های آزمایشگاهی، استعمال سیگار و شاخص‌های تن‌سنجی با میانگین نمره‌ی کمتر از ۳ از اولویت کمتری برخوردار بودند؛ به‌طوری‌که قد با میانگین نمره ۱/۶۷ کمترین امتیاز را کسب کرد.
نتیجه‌گیری: نتایج نشان داد که برخی متغیرهای پرتکرار در مطالعات پیش‌بینی افسردگی سالمندان با یادگیری ماشین، مانند استعمال سیگار، لزوماً از نظر بالینی اهمیت بالایی ندارند؛ در مقابل، عواملی نظیر تعامل خانوادگی و سابقه‌ی بستری در بیمارستان از دید متخصصان نقش مهم‌تری در پیش‌بینی افسردگی سالمندان دارند. بر اساس یافته‌های حاصل از مرور مطالعات و نظر متخصصان، چارچوبی ساختاریافته برای انتخاب و اولویت‌بندی متغیرهای مورد استفاده در مطالعات آینده پیش‌بینی افسردگی سالمندان با یادگیری ماشین ارایه شد.
روش بررسی: ابتدا جستجو در سه پایگاه اطلاعاتی شامل PubMed، Scopus و Web of Science انجام شد. پس از اعمال معیارهای ورود و خروج تعیین شده، مطالعات مرتبط با پیش‌بینی افسردگی سالمندان در حوزه‌ی یادگیری ماشین استخراج شدند. سپس پرسش‌نامه‌ای مبتنی بر ویژگی‌های استخراج شده، طراحی و نظرات شش متخصص حوزه‌ی سالمندی از مرکز تحقیقات سلامت سالمندان دانشگاه علوم پزشکی تهران در مورد اهمیت بالینی هر یک از این عوامل جمع‌آوری گردید.
یافته‌ها: پس از بررسی ۵۰۵ سند بازیابی‌شده و حذف مطالعات تکراری(۱۵۹ رکورد)، ۳۷ مطالعه، معیارهای ورود را احراز کردند. تحلیل این مطالعات دامنه‌ی وسیعی از متغیرهای بالقوه شامل عوامل جمعیت‌شناختی، سلامت، اجتماعی و اقتصادی را نشان داد. متغیرهای جنسیت، سن، سطح تحصیلات و وضعیت تأهل به‌ترتیب بیشترین فراوانی را در مطالعات داشتند. در مجموع، ۱۱۷ متغیر در ۱۶ دسته، استخراج و در قالب پرسش‌نامه، توسط ۶ نفر از خبرگان حوزه‌ی سالمندی که به‌صورت هدفمند انتخاب شده بودند، ارزیابی شد. از دید متخصصان، سابقه افسردگی قبلی با میانگین نمره‌ی ۴/۶۷ بیشترین اهمیت را داشت. پس از آن، متغیرهای مرتبط با وضعیت روانی، فعالیت بدنی، خواب و سابقه خانوادگی افسردگی با میانگین نمره‌ی ۴/۵۰ در رتبه‌ی بعدی قرار گرفتند. در مقابل، متغیرهای مربوط به اندازه‌گیری‌های آزمایشگاهی، استعمال سیگار و شاخص‌های تن‌سنجی با میانگین نمره‌ی کمتر از ۳ از اولویت کمتری برخوردار بودند؛ به‌طوری‌که قد با میانگین نمره ۱/۶۷ کمترین امتیاز را کسب کرد.
نتیجه‌گیری: نتایج نشان داد که برخی متغیرهای پرتکرار در مطالعات پیش‌بینی افسردگی سالمندان با یادگیری ماشین، مانند استعمال سیگار، لزوماً از نظر بالینی اهمیت بالایی ندارند؛ در مقابل، عواملی نظیر تعامل خانوادگی و سابقه‌ی بستری در بیمارستان از دید متخصصان نقش مهم‌تری در پیش‌بینی افسردگی سالمندان دارند. بر اساس یافته‌های حاصل از مرور مطالعات و نظر متخصصان، چارچوبی ساختاریافته برای انتخاب و اولویت‌بندی متغیرهای مورد استفاده در مطالعات آینده پیش‌بینی افسردگی سالمندان با یادگیری ماشین ارایه شد.
نوع مطالعه: پژوهشی اصيل |
موضوع مقاله:
فناوری اطلاعات سلامت
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
