یکی از برجسته ترین دستاوردهای قرن بیستم پدیده ی "پیر شدن جمعیت" است بطوریکه برای نخستین بار در تاریخ بشر، اکثر مردم حتی در جوامع کم درآمد و کمتر توسعه یافته، امیدوار به زندگی در سنین سالمندی شده اند. در حال حاضر بیش از 650 میلیون نفر سالمند در جهان زندگی می کنند که بر اساس برآوردها این میزان در سال 2050 به دو میلیارد نفر خواهد رسید.
کشور ایران نیز از این تغییرات جمعیتی بی نصیب نمانده و در 50 سال گذشته نسبت سالمندان به کل جمعیت آن، رشد بیش از دو برابری داشته است بطوریکه در حال حاضر 7 درصد از جمعیت کشور را افراد 60 ساله و مسن تر تشکیل می دهند. با افزایش جمعیت سالمندان بر میزان بیماری های شایع دوره سالمندی افزوده می شود که یکی از فراوان ترین آن ها، آلزایمر است.
بیماری آلزایمر یک بیماری مزمن عصبی است که معمولا به آرامی شروع و به تدریج گسترش می یابد. این بیماری بر انواع مختلفی استوار است و با پیشرفت آن در فرد مبتلا علایمی مانند اختلالات شدید ذهنی، نوسانات اخلاقی، عدم مدیریت، عدم کنترل مسائل رفتاری و جسمی، کاهش انگیزه و غیره پدیدار می گردد که هر یک از این مسائل خود به تنهایی می تواند آثار مخرب این بیماری بر جامعه را نمایش دهد.
این پژوهش با استفاده از روش هایی نظیر ماشین بردار پشتیبان، رگرسیون طبقه بند (رگرسیون لوجیت چند جمله ای و رگرسیون لوجیت چند جمله ای تجمعی) به منظور پیش بینی تغییرات رده های بیماری آلزایمر انجام شده است. در این مدل ها عوامل تاثیرگذار متعددی بر ابتلا به بیماری آلزایمر مانند سن، جنسیت، نژاد، قومیت، وضعیت تأهل، میزان تحصیلات، میزان رفاه اجتماعی، آزمایش MMSE، CDR و غیره، به عنوان پیشگو و رده های بیماری آلزایمر به عنوان متغیر وابسته، در نظر گرفته شده است.
نتایج این پژوهش بیانگر این امر است که اگر چه ماشین بردار پشتیبان و رگرسیون لوجیت چند جمله ای عملکرد تقریبا یکسانی در پیش بینی تغییرات سطوح بیماری آلزایمر داشتند ولی با توجه به اهمیت بالای پیشگوهای مدل جهت به دست آوردن نسبت شانس رده های بیماری آلزایمر برای کمک به تشخیص بهتر پزشکان، از مدل لوجیت چند جمله ای برای دو مجموعه داده استفاده شده است. مدل های ارائه شده برای مجموعه داده با رده های اسمی بر اساس روش رگرسیون لوجیت بطور میانگین دقت 91% و روش SVM بطور میانگین دقت 89.4% به دست آمد. همچنین در مدل های ارائه شده با پاسخ های ترتیبی بر اساس روش رگرسیون لوجیت با میانگین دقت 53% و روش SVM بطور میانگین دقت 55% جهت تسهیل و افزایش احتمال تشخیص این بیماری کمک می نماید.
گفتنی است این پژوهش در قالب پایان نامه کارشناسی ارشد حمید آزاد بخت با راهنمایی مرحوم دکتر محمدرضا امین ناصری در دانشکده مهندسی صنایع و سیستم ها انجام شد.