Determinanti di fragilità negli anziani tramite modelli di previsione multivariata. Un'applicazione sui dati SHARE.

La fragilità è un fenomeno complesso, per il quale non è possibile fornire una definizione univoca. La difficoltà principale risiede nel fatto che questa condizione non è osservabile direttamente, ma è il risultato di una combinazione di fattori fisici e psicologici che rendono un individuo vulnerabile. L’analisi della fragilità riveste un ruolo centrale nel contesto dell’assistenza agli anziani, poiché agevola l’individuazione di coloro che presentano un rischio più elevato di manifestare problematiche associate all’invecchiamento. Questo a sua volta consente l’implementazione di strategie mirate per migliorare la qualità della loro vita e contrastare il declino della salute. La presente tesi si pone l'obiettivo di individuare i fattori determinanti la fragilità attraverso l'analisi di dati campionari provenienti dall'indagine SHARE (“Survey of Health, Ageing and Retirement in Europe”). La popolazione selezionata per l'analisi comprende le persone che sono state intervistate sia nella sesta che nella settima ondata di rilevazione e che, all'inizio dello studio, avevano almeno sessantacinque anni e non avevano segnalato precedenti fratture all'anca né avevano ricevuto diagnosi di demenza o disabilità. La scelta di utilizzare dati campionari ha consentito l'esame di un'ampia gamma di fattori, come la condizioni di salute, le caratteristiche socio-demografiche, lo stile di vita, nonché eventi cruciali dell'infanzia e della storia di vita. Per rilevare i fattori chiave della fragilità si considerano le variabili più significative nella previsione degli eventi avversi associati a questa condizione, come fratture all'anca, demenza, disabilità e ricoveri ospedalieri ripetuti. Questi sono stati valutati nella settima wave dell’indagine SHARE mentre i potenziali determinanti sono stati misurati nella wave precedente, stabilendo così una relazione temporale essenziale per sostenere l’ipotesi di causalità. Per individuare le variabili esplicative più rilevanti sono stati adottati due approcci: il primo implica la selezione indipendente delle variabili per prevedere ciascun singolo esito sfavorevole, mentre il secondo si basa su un metodo multivariato che consente la previsione simultanea di tutti gli eventi avversi menzionati. La selezione basata sulla previsione univariata rappresenta un approccio più semplice, ma può risultare limitato poiché non tiene conto delle interazioni tra gli eventi avversi. D'altra parte, la selezione mediante previsione multivariata può condurre a modelli predittivi più accurati e rappresentativi del fenomeno in studio, ma risulta più complesso da implementare e richiede un maggiore sforzo computazionale.