تشخيص اضطرابات الوعي باستخدام خرائط طبوغرافية مشتقة من خواص غير خطية في تخطيط الدماغ عبر التعلم العميق

الاستماع لإشارات الوعي

عندما يكون أحد الأحباء فاقدًا للاستجابة بعد إصابة دماغية شديدة، يواجه الأهل والأطباء سؤالًا مفجعًا: هل تبقى أي دلائل على الوعي داخل الدماغ، وإذا كان الأمر كذلك، ما程度؟ قد تفوّت الفحوص السريرية التقليدية إشارات دقيقة للوعي، مما يؤدي إلى تشخيصات خاطئة تؤثر على الرعاية وإعادة التأهيل وحتى قرارات نهاية الحياة. تستكشف هذه الدراسة طريقة جديدة «للإنصات» إلى الدماغ المصاب عبر تسجيلات تخطيط الدماغ الكهربائي، ومقياس رياضي لتعقيد الإشارة، وخوارزميات التعلم العميق لتمييز حالتين رئيسيتين بشكل أفضل: الحالة النباتية وحالة الوعي الحد الأدنى.

حالتان غير متشابهتين من فقدان الاستجابة

بعد إصابة دماغية خطيرة، يفتح بعض المرضى أعينهم لكنهم لا يظهرون علامات واضحة على الوعي؛ يُوصفون بأنهم في حالة نباتية، وتسمى أيضًا متلازمة اليقظة غير المستجيبة (VS/UWS). قد يتبع آخرون أحيانًا أوامر بسيطة، أو يتتبعون أشياء، أو يتفاعلون بشكل ذي معنى مع الأصوات أو اللمس؛ يُقال عن هؤلاء أنهم في حالة وعي حد أدنى (MCS). على الرغم من تشابه السلوكيات للوهلة الأولى، فإن فرص التعافي ونوع إعادة التأهيل المطلوبة قد تختلف كثيرًا. ومع ذلك، يخطئ حتى فرق المتخصصين في التصنيف لما يصل إلى 40 بالمئة من هؤلاء المرضى عند الاعتماد أساسًا على الملاحظة بجانب السرير. انطلق المؤلفون لدعم الأطباء بأداة موضوعية قائمة على الدماغ يمكن أن تعمل بجانب السرير ولا تعتمد على قدرة المريض على الحركة أو الكلام.

قياس تعقيد الدماغ بالصوت والصمت

درس الباحثون 104 بالغين يعانون من اضطرابات الوعي وخضعوا لتقييم دقيق باستخدام مقياس موحد لاسترداد الغيبوبة. سُجل نشاط كل مريض بوساطة نظام تخطيط دماغ كهربائي مكوّن من 19 قناة أثناء الراحة بهدوء ومرة أخرى أثناء الاستماع إلى موسيقاهم المفضلة المرحة، التي اختيرت بناءً على مقابلات مع الأسرة. بدلًا من التركيز على موجات الدماغ التقليدية، حسب الفريق مقياسًا غير خطي يسمى «النسيبة التقريبية» (approximate entropy)، الذي يلتقط مدى تعقيد وعدم قابلية التنبؤ بإشارة تخطيط الدماغ عبر الزمن. ببساطة، تعكس القيم الأعلى للانتروبي نشاطًا دماغيًا أكثر ثراءً وتنوّعًا، وقد رُبط ذلك بمعالجة واعية. حُولت قيم الانتروبي من كل قطب جلدي إلى خرائط طبوغرافية ملونة، مكونة نوعًا من «بورتريه التعقيد» للدماغ في حالتي الراحة والموسيقى.

تعليم شبكة عصبية لقراءة الخرائط

لتحويل هذه الخرائط إلى مساعد تشخيصي، درّب الفريق شبكة عصبية التفافية (CNN)—وهو نوع من أنظمة التعلم العميق يُستخدم كثيرًا في التعرف على الصور—لتمييز VS/UWS عن MCS. لكل مريض، حُولت مقاطع تخطيط دماغ بطول ثانية واحدة متعددة إلى خرائط انتروبي وجُمعت في صور استُخدمت كمدخلات للشبكة. بالتوازي، بنى المؤلفون نموذجين تقليديين آخرين للتعلم الآلي: آلة متجه الدعم وشبكة عصبية للتنظيم العام (generalized regression neural network)، باستخدام ميزات رقمية مختارة من تخطيط الدماغ. ثم قارنوا كفاءة كل نهج في تصنيف مجموعة اختبار مستقلة من المرضى الذين كان تشخيصهم الحقيقي معروفًا من التقييم السريري الدقيق.

فروقات واضحة في إشارات الدماغ ودقة أفضل

وجدت الدراسة أن المرضى في حالة وعي حد أدنى أظهروا انتروبيًا أعلى في عدة مناطق دماغية مقارنة بأولئك في حالة نباتية، لا سيما على الجانب الأيسر من الرأس وخلال الاستماع للموسيقى المفضلة. لدى مرضى MCS، ارتبطت قيم الانتروبي الأعلى بشكل ذي دلالة مع درجات أعلى في مقياس استرداد الغيبوبة، مما يوحي بأن هذا المقياس يتتبع فروقًا حقيقية في الوعي. من حيث التصنيف الآلي، أدت الشبكة الالتفافية أفضل أداء: فصّلت المجموعتين بشكل صحيح بنحو 90% من الحالات وحققت مقياس دقة إجمالي مرتفع (AUC 0.90). أدت آلة متجه الدعم أداءً مقبولًا، بينما تخلفت شبكة التنظيم العامية. تشير هذه النتائج مجتمعة إلى أن إدخال خرائط دماغية شبيهة بالصور في نموذج تعلم عميق يمكنه التقاط أنماط مكانية دقيقة تفوّتها الطرق الأبسط.

ما الذي يعنيه هذا للمرضى والأُسر

لغير المتخصصين، الخلاصة الأساسية هي أن «تعقيد إشارة» الدماغ أثناء الراحة وعند الاستماع إلى موسيقى ذات معنى يحمل دلائل قيمة عن وعي مخفي. من خلال تحويل هذه الدلائل إلى خرائط سهلة التفسير وإتاحة تعلم شبكة عصبية منها، ابتكر الباحثون أداة يمكن أن تساعد في التمييز بين المرضى غير الواعيين فعلاً وأولئك الذين يحتفظون بشكل هش لكن حقيقي من الوعي. وبينما تحتاج النتائج إلى تأكيد في مجموعات أكبر وأكثر تنوعًا من المرضى، فإنها تشير إلى مستقبل قد تساعد فيه تسجيلات تخطيط الدماغ الروتينية، إلى جانب أصوات مختارة بعناية والذكاء الاصطناعي الحديث، على منح صوت أكثر موثوقية لمن لا يستطيعون الكلام نيابة عن أنفسهم.

الاستشهاد: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

الكلمات المفتاحية: اضطرابات الوعي, تخطيط الدماغ الكهربائي, التعلم العميق, الحالة النباتية, حالة الوعي الحد الأدنى