أنظمة اتخاذ القرار الذكية للكشف المبكر عن مرض ألزهايمر باستخدام تقنيات قابلة للارتداء والتعلّم العميق

لماذا قد تكتشف ساعتك يومًا ما مشاكل الذاكرة

معظمنا يعتبر الساعات الذكية وأساور اللياقة مجرد عدّادات خطوات ومتعقبات للنوم. تستكشف هذه الدراسة استخدامًا أكثر طموحًا: تحويل الأجهزة القابلة للارتداء اليومية، مقترنة ببرمجيات متقدمة لاكتشاف الأنماط، إلى نظام إنذار مبكر لمرض ألزهايمر. قد يمنح رصد الحالة قبل فقدان الذاكرة الملحوظ المرضى والعائلات وقتًا أطول للتخطيط، والأطباء فرصة أفضل لإبطاء تقدّم المرض.

من فحوصات المستشفى إلى المستشعرات اليومية

في الوقت الراهن، يتم عادةً اكتشاف ألزهايمر عبر فحوصات الدماغ والتصوير الطبي واختبارات الذاكرة الطويلة وجهًا لوجه. هذه الطرق مكلفة وتستغرق وقتًا وغالبًا ما تفشل في رصد أعمق العلامات المبكرة، حين تكون تغيّرات الدماغ طفيفة وربما أكثر قابلية للعلاج. في المقابل، تجمع الأجهزة الاستهلاكية القابلة للارتداء معلومات على مدار الساعة حول معدل ضربات القلب والنوم والحركة. يجادل الباحثون بأن هذه التدفقات المستمرة وغير الغازية من البيانات يمكن أن تكشف تغيّرات دقيقة في الحياة اليومية وإيقاعات الجسم تظهر قبل الأعراض الكاملة، مما يحول المنزل إلى امتداد للعيادة.

تعليم الآلات قراءة إيقاع الجسم اليومي

جوهر النظام المقترح، المسمى الكشف المبكر باستخدام خوارزمية التعلّم العميق (ED‑DLA)، هو نوع من الذكاء الاصطناعي يعرف بالشبكة العصبية المتكررة. بدلًا من فحص قياسات منفردة معزولة، يفحص هذا النموذج كيف تتطور الإشارات مع الزمن—كيف تتغير أنماط النوم عبر أسابيع، وكيف يتغير سرعة المشي، أو كيف ينحرف تباين معدل ضربات القلب. يستخدم الباحثون شكلًا محددًا هو شبكات الذاكرة طويلة قصيرة المدى (LSTM)، مكدّسة في ثلاث طبقات. صممت هذه الشبكات لتتذكّر تسلسلات طويلة، مما يجعلها مناسبة لرصد التغيرات البطيئة والمتسلِّلة التي قد تشير إلى ألزهايمر المبكر بدلاً من الضوضاء اليومية.

كيف يعمل خط أنابيب الأجهزة القابلة للارتداء والذكاء الاصطناعي

في هذا النظام، تجمع المستشعرات على المعصم والرأس بيانات عن معدل القلب والحركة وسلوك النوم وحتى نشاط الدماغ. قبل وصولها إلى نموذج التعلّم، تُنقّى الإشارات لإزالة الضوضاء وتُقيَّم لتكون قابلة للمقارنة بين الأشخاص. ثم يحول الفريق البيانات لإبراز الأنماط الخفية، على سبيل المثال باستخدام أدوات رياضية تلتقط علاقات معقدة بين الحركة وإيقاع القلب. تتدفّق المعلومات المعالجة عبر طبقات LSTM، التي تبني تدريجيًا «توقيعًا» مضغوطًا لسلوك وفسيولوجيا كل فرد. يحول نموذج قرار نهائي هذا التوقيع إلى فئات خطر، ويمكن للنظام إرسال تنبيهات عبر لوحة عرض بسيطة للأطباء أو مقدمي الرعاية.

اختبار المنهج

للاطّلاع على ما إذا كانت هذه الفكرة واعدة عمليًا، درّب المؤلفون نموذجهم واختبروه على مجموعة كبيرة من إشارات السلاسل الزمنية من 1200 متطوع بالغ وكبير في السن تمت مراقبتهم على مدار سنة. قارَنوا ED‑DLA بعدة منهجيات أخرى قائمة على الذكاء الاصطناعي تُستخدم في أبحاث الخرف. أظهرت الاختبارات الإحصائية أن النظام الجديد أدّى أداءً أفضل بشكل ملحوظ من البدائل. حدّد بدقة التغيرات المرتبطة بألزهايمر المبكر بنسبة تقريبية تبلغ 96 في المئة كدقة إجمالية، وحساسية تقارب 98 في المئة (قليل من الحالات الحقيقية فُقدت)، وأداءً قويًا في التعرف على الأنماط ذات الدلالة عبر الزمن. والأهم من ذلك، أنه حافظ على موثوقية عالية أثناء معالجة البيانات بشكل مستمر، مما يشير إلى أنه قد يدعم المراقبة شبه الفورية بدلًا من الفحوصات لمرة واحدة.

ما الذي قد يعنيه هذا للمرضى والعائلات

بمعنى عملي، تشير هذه الدراسة إلى مستقبل قد تساعد فيه الأجهزة الروتينية في الإبلاغ عن تغيّرات دماغية قبل وقت طويل من أن يضطر حدث طارئ إلى زيارة المستشفى. الإطار المقترح لا يحل محل الأطباء أو فحوصات الدماغ التفصيلية، لكنه يمكن أن يعمل كرادار مبكّر، يحفّز الأشخاص على التقييم والعلاج في وقت أبكر ويساعد الأطباء على متابعة ما إذا كانت العلاجات تعمل. وبما أن الطريقة تعتمد على أجهزة قابلة للارتداء مريحة وغير غازية وبرمجيات قابلة للتوسع، فيمكن نشرها على نطاق واسع بتكلفة نسبية منخفضة. يرى المؤلفون أن هذا يمثل خطوة نحو رعاية خرفية أكثر استباقية وشخصنة، حيث تمنح المراقبة اللطيفة المستمرة المرضى والعائلات وأنظمة الصحة وقتًا إضافيًا للاستجابة.

الاستشهاد: Sathish, R., Muthukumar, R., Kumaran, K.M. et al. Intelligent decision-making systems for early detection of alzheimer’s disease using wearable technologies and deep learning. Sci Rep 16, 6025 (2026). https://doi.org/10.1038/s41598-026-36895-3

الكلمات المفتاحية: الكشف المبكر عن ألزهايمر, مستشعرات قابلة للارتداء, التعلّم العميق, الشبكات العصبية المتكررة, المراقبة الصحية الرقمية