نهج متعدد الوسائط قابل للتفسير لكشف العوامل المتوقعة الرئيسية لخطر السكتة من إشارات ECG وEMG وضغط الدم والتنفس

لماذا تهم إشارات التنفس والقلب في خطر السكتة

تحدث السكتة بسرعة لكنها عادة ما تتطور بصمت على مدى سنوات. يعرف الأطباء أن ارتفاع ضغط الدم ومشكلات نظم القلب والعادات الحياتية تزيد من الخطر، ومع ذلك يبقى التنبؤ بمن يكون في خطر حقيقي أمراً صعباً. تُظهر هذه الدراسة أن طريقة تنفسنا — وبشكل خاص كيفية تعامل أجسامنا مع ثاني أكسيد الكربون — تحمل دلائل خفية عن خطر السكتة. من خلال دمج إشارات التنفس والقلب والعضلات وضغط الدم في نموذج ذكاء اصطناعي قابل للتفسير، يكشف المؤلفون طرقاً جديدة لتحديد المرضى ذوي المخاطر العالية ومساعدة الأطباء على فهم سبب قرار الخوارزمية.

الاستماع إلى إشارات الجسم الهادئة

بدلاً من استخدام تصوير الدماغ، الذي يكون مكلفاً وغير مناسب للمراقبة المستمرة، لجأ الباحثون إلى قياسات كهربائية وضغطية بسيطة أُجريت على 64 متطوعاً، بعضهم عانى سكتة إقفارية وبعضهم لم يعانِ. سجلوا سبع إشارات بينما كان الأشخاص جالسين ثم واقفين: نشاط القلب (قناتان ECG)، نشاط عضلة الساق (قناتان EMG)، ضغط الدم من كِفة إصبع، وإشارتا تنفس عند الفم — تركيز ثاني أكسيد الكربون في الهواء الخارج ومعدل تدفق الهواء. هذه القياسات مشابهة لتلك التي يمكن جمعها بواسطة أجهزة مراقبة بجوار السرير في المستشفيات أو أجهزة قابلة للارتداء متقدمة، مما يجعل النهج عملياً للاستخدام في الفحوص الروتينية.

تحويل الموجات الخام إلى أنماط يمكن للحاسوب قراءتها

قسم الفريق تسجيل كل شخص الذي استمر 10 دقائق إلى شرائح مدتها 14 ثانية متداخلة جزئياً، وهي مدة كافية لالتقاط عدة أنفاس ونبضات قلب متكررة. لكل شريحة، حسبوا مجموعة واسعة من المواصفات العددية البسيطة — المتوسطات، التباين، عدد المرات التي تقطع فيها الإشارات الصفر، وكيفية توزيع الطاقة على ترددات مختلفة. تلخّص هذه الميزات «أسلوب» كل إشارة دون تخزين الموجات الكاملة، مما يقلل من تكلفة الحوسبة والضوضاء. ثم جُمعت كل الميزات من الإشارات السبع معاً لتمثيل عينة واحدة عن كيفية تصرف جسم الشخص خلال تلك الفترة القصيرة.

نموذج مستوحي من الدماغ أبسط يتفوق على الشبكات الأعمق

بدلاً من استخدام شبكة عصبية عميقة ومعقدة، اختار المؤلفون نموذجاً بسيطاً للغاية: بيرسبترون ذو طبقة واحدة. يأخذ هذا النموذج كل الميزات الرقمية، يضرب كل واحدة في وزن متعلم، يجمعها، ويمرر الناتج عبر دالة ضغط لإنتاج احتمال «سكتة» أو «لا سكتة». على الرغم من بساطته، حقق هذا النموذج دقة تقارب 85–88 في المئة، متفوقاً على طرق أكثر تطوراً مثل الشبكات العصبية المتكررة والتلافيفية، وشبكات حالة الصدى التجميعية، ومصنفات التعلم الآلي الشائعة عندما اختبرت جميعها على نفس البيانات. والأهم من ذلك، عندما أُزيلت إشارات التنفس (ثاني أكسيد الكربون وتدفق الهواء)، تراجعت الدقة إلى نحو 59 في المئة، وهو انخفاض إحصائياً ذا دلالة، ما يبيّن أن بيانات التنفس تضيف معلومات حاسمة لا تلتقطها الإشارات الأخرى وحدها.

فتح الصندوق الأسود: أية إشارات هي الأهم فعلاً

يحذر الأطباء بحق من الذكاء الاصطناعي الغامض، لذا استخدم الفريق ثلاث أدوات تفسير — SHAP وLIME وAnchors — لرؤية أي الميزات اعتمد عليها النموذج أكثر. أشار الثلاثة إلى ميزات تنفسية، وخاصة تلك المشتقة من ثاني أكسيد الكربون، كسائقين رئيسيين للتنبؤات. صنف SHAP، المستند إلى نظرية الألعاب، متوسط مستوى ثاني أكسيد الكربون الخارج، وتباينه، ومتوسط ضغط الدم كأهم ثلاثة مساهمين في قرار ما إذا كانت العينة تبدو كأنها من مريض سكتة. كان ارتفاع متوسط ثاني أكسيد الكربون وارتفاع ضغط الدم يدفعان النموذج نحو «سكتة»، بينما أشارت أنماط ثاني أكسيد الكربون الأكثر انتظاماً إلى خطر أقل. لتقييم أي أداة تفسير تُوثق أكثر، استخدم المؤلفون اختباراً خاصاً: إزالة أعلى الميزات التي سَمّاها كل أسلوب وملاحظة مدى تدهور أداء النموذج. سبّب SHAP أكبر انخفاض، مما أكسبه لقب المفسر الأكثر موثوقية.

ماذا يعني هذا للمرضى والأطباء

بالنسبة لغير المتخصصين، الخلاصة واضحة: طريقة تنفسك ووضوح إخراج ثاني أكسيد الكربون قد تكون مؤشراً عن خطر السكتة لا يقل أهمية عن ضغط دمك أو نبض قلبك. يقترح هذا العمل أن أجهزة المراقبة الروتينية التي تلتقط غازات التنفس، وضغط الدم، وإشارات القلب والعضلات يمكن ربطها بذكاء اصطناعي بسيط وشفاف لتنبيه الأشخاص الذين يستحقون متابعة أقرب قبل وقوع السكتة بفترة طويلة. وبما أن النموذج دقيق وقابل للتفسير، يستطيع الأطباء رؤية أي جوانب فسيولوجية للمريض تقود تقدير الخطر، مما يدعم الثقة والعلاج الموجه. لا تزال هناك حاجة إلى دراسات أوسع، لكن النتائج تبرز مقاييس التنفس المتعلقة بثاني أكسيد الكربون كعلامات واعدة جديدة للوقاية من السكتة.

الاستشهاد: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

الكلمات المفتاحية: خطر السكتة, إشارات التنفس, ثاني أكسيد الكربون, الذكاء الاصطناعي القابل للتفسير, ECG وضغط الدم