نماذج تعلم آلي ضبابي هجينة محسنَة بالاستدلالات فوق-الإرشادية لتقييم عصبي دقيق قائم على تخطيط الدماغ الكهربائي

الاستماع إلى موجات الدماغ

عندما يُصاب شخص بالصرع أو يدخل في غيبوبة عميقة، يعتمد الأطباء كثيرًا على تخطيط الدماغ الكهربائي (EEG) — تسجيلات للنشاط الكهربائي للدماغ — لفهم ما يجري. لكن قراءة هذه الخطوط الدقيقة بالعين البشرية بطيئة وذاتية وتعتمد بشكل كبير على حكم الخبراء. تقدم هذه الورقة نظامًا آليًا دقيقًا يتعلَّم تفسير أنماط تخطيط الدماغ لاكتشاف النوبات وتقييم الغيبوبة، واعدًا بتقديم مساعدة أسرع وأكثر اتساقًا للمرضى عندما تكون كل ثانية مهمة.

لماذا إشارات الدماغ صعبة القراءة

يُستخدم التخطيط الكهربائي للدماغ منذ قرن لمراقبة نشاط الدماغ دون جراحة. وهو أساسي لاكتشاف النوبات الصرعية ولتقدير مدى وعي مريض الغيبوبة. ومع ذلك، فإن إشارات EEG الخام فوضوية: تحتوي على ضوضاء من حركات العضلات، وتداخلات كهربائية، وتباين طبيعي بين الأفراد. قد تُدفَن الفروق الدقيقة بين النشاط الطبيعي للدماغ والمناطق المتأثرة بالأورام وأحداث النوبة داخل هذا الضجيج. يقضي الأطباء ساعات طويلة في فحص هذه السجلات، وفي كثير من مناطق العالم هناك قلة في عدد المتخصصين، ما يعني أن النوبات قد تُفوَّت ويُساء تقدير عمق الغيبوبة. يهدف المؤلفون إلى نقل جزء كبير من هذا العبء إلى برمجيات ذكية قادرة على انتقاء أنماط موثوقة من الفوضى.

تبسيط موجات دماغية معقَّدة

يبدأ النظام بتنقية وتفكيك إشارات EEG. يقوم بفلترة الضوضاء، ثم يقيس نطاقًا واسعًا من الخصائص لكل نافذة تسجيل: إحصاءات بسيطة مثل المستوى المتوسط والتباين، وكيفية توزيع طاقة الإشارة عبر نطاقات ترددية مختلفة (مثل الموجات دلتا وثيتا والألفا والبيتا المألوفة)، ومقاييس «عدم الانتظام» الأكثر تقدمًا المسماة بالانتروبيا التي تلتقط مدى عدم قابلية التنبؤ في الإشارة. تشكل هذه القياسات وصفًا عالي الأبعاد لكل لحظة من زمن الدماغ. لجعل ذلك قابلاً للإدارة، يقدم المؤلفون مرحلة تقليل ميزات تضغط رياضيًا عشرات القيم إلى مجموعة مدمجة مع الحفاظ على ما يميِّز أفضل بين حالات الدماغ المختلفة.

ضبط المصنف مستوحى من الطبيعة

لتصميم هذه خطوة الضغط والمصنف الذي يليها، يستعير الباحثون أفكارًا من الطبيعة. محاكاة «دورة المياه» تقلد كيف تتدفق الجداول إلى أنهار وبحار، مستكشفةً العديد من الطرق البديلة لدمج الميزات والاحتفاظ بتلك التي تجمع أنماط EEG المتشابهة معًا بإحكام مع دفع الأنماط المختلفة بعيدًا. بالتوازي، محاكاة تحسين «نجم البحر» تحاكي كيفية تحرُّك نجم البحر وتكيُّفه، مستخدمة أسرابًا افتراضية لضبط الإعدادات الداخلية لنظام اتخاذ القرار. ذلك النظام، المُسمى DT‑FIS، يمزج شجرة قرار (تقسم البيانات إلى تفرعات) مع المنطق الضبابي (الذي يسمح بحدود ناعمة وتدريجية بدل القطوع الثابتة). معًا، تمكِّن هذه العناصر النموذج من التعامل مع عدم اليقين والدقة في إشارات الدماغ بدلًا من فرض قرارات صارمة بنعم/لا مبكرة جدًا.

تصنيف النوبات ومستويات الوعي

يختبر المؤلفون إطارتهم على مهمتين تتطلبان قدرًا كبيرًا من الدقة. أولًا، باستخدام تسجيلات EEG من المركز الطبي للجامعة الأمريكية في بيروت، يجب على النظام التمييز بين عدة أنواع من نشاط النوبة وفترات الهدوء الخالية من النوبات. ثانيًا، باستخدام مجموعة بيانات منفصلة من وحدات العناية المركزة، يجب أن يقدر مدى وعي مرضى الغيبوبة استنادًا إلى مقياس غلاسكو للغيبوبة الشائع، بينما يمر المرضى بمراحل من الراحة والتحفيز مع الممرضين والعائلة. بعد التدريب، تصل النماذج الهجينة إلى أداء لافت: حوالى 99% دقة في تحديد مستويات الغيبوبة العميقة، ودرجات مماثلة في فصل حالات النوبة عن غيرها، متفوقةً على العديد من تقنيات التعلم العميق الحديثة مع استخدام ميزات أقل وبقابلية تفسير أكبر.

ماذا يعني هذا للمرضى

بعبارة بسيطة، تُظهر الدراسة أن الجمع بين قياسات EEG المختارة بعناية، وتقليل أبعاد ذكي، وقواعد قرار ضبابية مضبوطة بواسطة أساليب مستوحاة من الطبيعة يمكن أن يولِّد قارئًا آليًا لموجات الدماغ يكاد يكون «دقيقًا دائمًا». يمكن لتلك الأنظمة أن تعمل على شاشات المراقبة بجانب السرير أو على أجهزة محمولة، ترصد النوبات خلال ثوانٍ وتمنح الطاقم الطبي رأيًا موضوعيًا ثانٍ حول مدى يقظة المريض أو حالته من الوعي. ومع أن النماذج تحتاج إلى التحقق عليها في مجموعات أكبر وأكثر تنوعًا، يشير العمل إلى مستقبل تتوفر فيه مراقبة دماغية مستمرة وموثوقة حتى في المستشفيات ذات الموارد المحدودة، مما يساعد على التقاط الأحداث الخطرة مبكرًا واتخاذ قرارات علاجية قائمة على رؤى مدعومة بالبيانات.

الاستشهاد: Lak, M., Jamali, J., Adlband, N. et al. Hybrid fuzzy machine learning models optimized with meta-heuristics for accurate EEG-based neurological assessment. Sci Rep 16, 11888 (2026). https://doi.org/10.1038/s41598-026-35669-1

الكلمات المفتاحية: تخطيط الدماغ الكهربائي, النوبات الصرعية, تقييم الغيبوبة, التعلم الآلي الضبابي, المراقبة العصبية