ایمان اسماعیلی پایین افراکتی

مقدمه: تعادل و سقوط در سالمندان رابطه تنگاتنگی با یکدیگر دارند. کاهش تعادل و ناپایداری در ایستادن و راه رفتن، یکی از عوامل اصلی افزایش خطر سقوط در سالمندان است. باتوجه به روند افزایش خطر سقوط و عوارض آن هدف از پژوهش حاضرپیش بینی سقوط در سالمندان به وسیله هوش مصنوعی با تاکید بر شاخص های دامنه حرکتی مفاصل یود. روش: پژوهش حاضر یک مطالعه توسعه‌ای با داده‌های کمی است که بر روی 153 نفر از سالمندان بالای 60 سال در شهر بابلسر انجام شد. شرکت‌کنندگان از طریق فراخوان در فضای مجازی و مراکز درمانی به صورت داوطلبانه در پژوهش شرکت کردند. برای اطمینان از همسان بودن افراد، پرسشنامه‌ای درباره سابقه پزشکی آنها تکمیل شد تا افرادی با بیماری‌های زمینه‌ای مانند اختلالات حرکتی و شناختی از مطالعه حذف شوند. معیارهای ورود شامل سن بالای 60 سال و توانایی انجام آزمون‌های حرکتی بود، در حالی که معیارهای خروج شامل انصراف از رضایت، آسیب حین ارزیابی و وجود عارضه‌های شناختی و حرکتی بود. در این پژوهش برای ارزیابی آزمودنی ها از آزمون های تعادل، مانند آزمون رومبرگ و TUG، اسکن کف پا، ترکیب بدن و قدرت ایزومتریک عضلات پایین تنه استفاده شد. پس از جمع آوری و ثبت نتایج بدست آمده از آزمون های انجام شده، داده ها طبقه بندی شد و توسط یادگیری ماشین، الگوریتم MLP سه لایه، پردازش داده ها انجام شد. یافته‌ها: بر اساس نتایج به دست آمده از الگوریتم MLP سه لایه استفاده شده در این پژوهش بین تعادل و سقوط در سالمندان ارتباط مستقیمی وجود دارد. عدم کسب نمره قابل قبول در آزمون‌های تعادل، مانند آزمون رومبرگ و TUG، با افزایش احتمال سقوط مرتبط است. همچنین، تیپ بدنی نیز بر احتمال سقوط تأثیرگذار است؛ به‌طوری که افراد چاق بیشترین احتمال سقوط را دارند و افراد عضلانی کمترین احتمال سقوط را تجربه می‌کنند. اختلال شنوایی نیز به‌عنوان یک عامل تأثیرگذار شناسایی شد، به‌طوری که سالمندانی که دچار اختلال شنوایی هستند، احتمال بالاتری از سقوط را دارند. سالمندان نزدیک‌بین نیز بیشترین احتمال سقوط را دارند. علاوه بر این، سابقه سقوط در سالمندان تأثیرگذار است؛ به‌طوری که هرچه سابقه سقوط بیشتر باشد، احتمال سقوط نیز افزایش می‌یابد. استفاده از الگوریتم‌های یادگیری ماشین در این مطالعه نشان داد که این الگوریتم‌ها می‌توانند به‌طور مؤثر سقوط در سالمندان را پیش‌بینی کنند. نتایج نشان داد که دقت پیش‌بینی این الگوریتم‌ها با میانگین 0617/0±6634/0، 0753/0±5986/0 و حساسیت 1316/0±7409/ بوده است. نتیجه‌گیری: نتایج این مطالعه نشان داد که عوامل مختلفی از جمله تعادل، تیپ بدنی، اختلال شنوایی و سابقه سقوط می‌توانند بر احتمال سقوط در سالمندان تأثیر بگذارند. همچنین، الگوریتم‌های یادگیری ماشین ابزارهای مؤثری برای پیش‌بینی سقوط در این گروه سنی هستند. این یافته‌ها ضرورت توجه به ارزیابی دقیق عوامل خطر و استفاده از روش‌های پیشرفته مانند یادگیری ماشین را برای بهبود سلامت و ایمنی سالمندان برجسته می‌کند. توسعه برنامه‌های مداخله‌ای مبتنی بر این نتایج می‌تواند به کاهش سقوط و بهبود کیفیت زندگی سالمندان کمک کند.