SBTM: التنبؤ بالنوبات الصرعية من إشارة EEG باستخدام التعلم العميق في رصد الرعاية الصحية الذكية المدعوم بالبلوكشين مع شبكات إنترنت الأشياء

لماذا يهم التنبؤ بالنوبات قبل وقوعها

بالنسبة لملايين الأشخاص المصابين بالصرع، قد تأتي النوبات دون إنذار—أثناء النزول على الدرج، عبور الشارع، أو أثناء القيادة. يمكن أن تتسبب النوبة غير المتوقعة في سقوط أو إصابات أو أسوأ من ذلك، كما أن حالة عدم اليقين المستمرة قد تكون معيقة بقدر النوبات نفسها. تستكشف هذه الدراسة طريقة لتنبؤ النوبات من تسجيلات موجات الدماغ، باستخدام أجهزة إلكترونية قابلة للارتداء، وذكاء اصطناعي متقدّم، وسجلات آمنة عبر الإنترنت، بحيث يتمكن المرضى والأطباء من الحصول على بضع دقائق حاسمة من التحذير وحماية أفضل للحياة اليومية.

شبكة أمان رقمية حول المريض

في صلب العمل رؤية لرعاية صحية ذكية تصل إلى المرضى أينما كانوا. تقيس حساسات صغيرة متصلة بالإنترنت النشاط الكهربائي في الدماغ، المسمى إشارات EEG، وترسل هذه البيانات عبر شبكات لاسلكية إلى خوادم المستشفى. هناك، يقوم برنامج بمسح الإشارات الواردة باستمرار ليقرر ما إذا كان الدماغ في حالة طبيعية أم في طريقه نحو نوبة. وبما أن المعلومات تتضمن تفاصيل طبية حساسة للغاية، يستخدم النظام تكنولوجيا البلوكشين—نهج مستعار من التمويل الرقمي—لتسجيل ومشاركة السجلات بطريقة يصعب التلاعب بها ويسهل تدقيقها. لا يمكن للأطباء الموثقين فقط والذين لديهم المفاتيح الرقمية المناسبة الوصول إلى بيانات المريض، التي تُنظم عبر أقسام ومواقع المستشفى.

تحويل موجات الدماغ إلى تحذيرات مبكرة

سجلات EEG فوضوية: فهي مليئة بالضوضاء الناتجة عن حركة العضلات، والرمش، ومؤثرات من العالم الخارجي. يبدأ الباحثون بتنقية الإشارات الخام باستخدام مرشحات تحافظ فقط على نطاق التردد الأكثر صلة بنشاط الدماغ المرتبط بالنوبات. ثم يضغطون كل إشارة طويلة إلى وصف مضغوط باستخدام ثلاث عائلات من الميزات. الميزات الإحصائية تلتقط كيفية تشتت القيم أو انحرافها. الميزات الطيفية تصف كيفية توزيع طاقة الإشارة عبر الترددات المختلفة. ميزات هيوفث، وهي قياس كلاسيكي للـ EEG، تلخص مدى قوة الإشارة، وحركيتها، وتعقيدها عبر الزمن. معًا، توفر هذه الأرقام لقطة غنية ولكن يسهل إدارتها لحالة الدماغ، مما يقلل من العبء الحسابي الكبير للعمل مباشرة على الشكل الموجي الخام.

شبكة عصبية أذكى مضبوطة بواسطة بحث مستوحى من الطبيعة

لقراءة لقطات الميزات هذه، صمم الفريق نموذج تعلم عميق يُدعى شبكة الذاكرة قصيرة الأمد ثنائية الاتجاه المستندة إلى Spizella، أو SBTM. يُبنى هذا النموذج على نوع من الشبكات العصبية المتكررة التي تتعامل بشكل جيّد مع المتسلسلات، مثل اللغة أو بيانات السلاسل الزمنية. يتيح التصميم «ثنائي الاتجاه» للنموذج النظر في أنماط ميزات EEG للأمام وللخلف عبر الزمن، مما يساعده على التقاط التراكم الدقيق والتلاشي الذي قد يدل على اقتراب نوبة. علاوة على ذلك، قدم الباحثون طريقة جديدة للتحسين مستوحاة من سلوك البحث عن الطعام والهروب لدى طيور صغيرة وقطط برية. يقوم هذا المحسّن «Spizella» بضبط الإعدادات الداخلية العديدة للشبكة تلقائيًا بحيث يستقر على تركيبات تفصل أفضل بين أنماط النوبة وغير النوبة مع تجنب العوائق الشائعة مثل الوقوع في حلول محلية ضعيفة.

الاختبار على مرضى حقيقيين وظروف العالم الواقعي

تم تقييم النظام على مجموعة EEG معروفة من مستشفى للأطفال، فضلاً عن مجموعة بيانات وقت-حقيقي إضافية، تحتوي كلتاهما على تسجيلات لمرضى تعرضوا لنوبات متكررة. تعلم نموذج SBTM التمييز بين الأنماط المرتبطة بالنوبات والنشاط الطبيعي بنجاح ملحوظ: في مجموعة البيانات الرئيسية، بلغ تحديد الحالة السلبية حوالي 98% (مما يعني عددًا قليلاً جدًا من الإنذارات الكاذبة) وحساسية نحو 97.5% (مما يعني نادرًا ما يفشل في كشف النوبات الحقيقية)، مع دقة إجمالية تقارب 97.5%. والأهم أنه فعل ذلك بسرعة وبجهد حسابي أقل مقارنة بعدة أساليب تعلم آلي معروفة، وتفوق على مجموعة من نماذج التعلم العميق المنافسة التي لم تستخدم نفس تصميم الميزات أو استراتيجية التحسين.

بناء رعاية صرع أكثر أمانًا وخصوصية

لغير المتخصص، الخلاصة أن هذا العمل يجمع بين ثلاث أفكار قوية—التنبؤ بالنوبات قبل حدوثها من EEG، شبكة عصبية مدمجة وفعّالة، ومشاركة سجلات آمنة باستخدام البلوكشين—في إطار عمل واحد. عمليًا، قد يتيح مثل هذا النظام يومًا ما لجهاز قابل للارتداء أن ينبه مريض الصرع، وعائلته، وفريق الرعاية قبل دقائق من النوبة، مع الحفاظ على حماية قوية لبياناته الطبية أثناء تدفقها بين الأجهزة والمستشفيات. وعلى الرغم من الحاجة لمزيد من الاختبار والتطوير قبل نشره على نطاق واسع، تشير الدراسة إلى مستقبل تساعد فيه أدوات متصلة وذكية وواعية بالخصوصية الأشخاص المصابين بالصرع على العيش بأمان واستقلالية أكبر.

الاستشهاد: Kumar, A., Tripathi, E., Tripathi, A.K. et al. SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking. Sci Rep 16, 6830 (2026). https://doi.org/10.1038/s41598-026-36425-1

الكلمات المفتاحية: الصرع, EEG, التنبؤ بالنوبات, التعلم العميق, الرعاية الصحية الذكية