بنية مشتركة CNN-Bi-LSTM-Transformer مع تفسيرات SHAP لاكتشاف اضطرابات النظم متعددة الوسوم من مخططات القلب باثنتي عشرة قيادة

لماذا يهم فحص إيقاع القلب الجميع

تعد مشاكل إيقاع القلب، أو اضطرابات النظم، سببًا رئيسيًا للوفاة القلبية المفاجئة، ومع ذلك لا يزال الاختبار الرئيسي المستخدم لاكتشافها — تخطيط القلب ذو الاثنتي عشرة قيادة (ECG) — يعتمد إلى حد كبير على خبراء بشريين مقيدين بالوقت. تقدم هذه الدراسة نظام ذكاء اصطناعي قادرًا على فحص ECGs القياسية لعدة مشاكل نظم في نفس الوقت، وشرح ما اكتشفه بلغة يفهمها الأطباء، وتشغيله بسرعة كافية ليتناسب مع الأجهزة القابلة للارتداء أو منصات التطبيب عن بُعد. بالنسبة للمرضى، قد يعني ذلك إنذارًا مبكرًا بالإيقاعات الخطرة؛ وللممارسين، يعدّ مساعدًا لا يكلّ لا يقتصر على التنبيه فحسب بل يوضّح أيضًا السبب.

الاستماع إلى القلب بآذان متعددة

يلتقط تخطيط القلب ذو الاثنتي عشرة قيادة النشاط الكهربائي للقلب من وجهات نظر متعددة باستخدام أقطاب على الصدر والأطراف. ينتج عن كل نبضة قلب نمط موجي مميز يكشف كيف تنتقل الإشارات عبر حجرات القلب. يمكن أن تشير التشوّهات الطفيفة في هذه الأنماط إلى حالات تتراوح بين اختلافات حميدة إلى اضطرابات مهددة للحياة. إن تفسير هذه التغيرات الدقيقة عبر العديد من القيادات وعلى تسجيلات طويلة أمر متطلب، وقد تختلف قراءات البشر من خبير لآخر. في الوقت نفسه، يعتمد الرعاية الحديثة بشكل متزايد على المراقبة المستمرة في المستشفيات والمنزل والأجهزة القابلة للارتداء، مما يولد بيانات أكثر مما يمكن للممارسين مراجعته بالعين.

تعليم مساعد رقمي لقراءة إشارات قلبية معقدة

بنى الباحثون نموذج تعلّم عميق يأخذ مقاطع ECG خامة ذات اثنتي عشرة قيادة كمدخل ويتعلم التعرّف على 27 مشكلة سريرية مهمة في النظم والتوصيل. أولًا، قاموا بتهيئة أكثر من 43,000 تسجيل معنَن بواسطة خبراء من مجموعة PhysioNet/Computing in Cardiology 2020 الكبيرة. جاءت الإشارات من مستشفيات مختلفة بمعدلات أخذ عينات متنوعة واحتوت على ضوضاء وقيم مفقودة وحالات شاذة عرضية. أعاد الفريق أخذ عينات كل ECG إلى معدل مشترك، وأزال انزياح الخط الأساس والتداخل الكهربائي، وملأ الفجوات باستخدام قواعد إحصائية صحيحة، وقسم البيانات إلى نوافذ متداخلة بطول أربع ثوانٍ. أثبت طول النافذة هذا كافياً لالتقاط أنماط الإيقاع الأساسية مع البقاء قصيرًا وفعالًا لتحليل الوقت الحقيقي.

كيف ترى النموذج متعدد الطبقات المكان والزمان والسياق

جوهر النظام هو سلسلة من ثلاث وحدات شبكات عصبية مكملة بعضها لبعض. تعمل طبقات الالتفاف ككاشفات أنماط، تفحص كل قيادة ECG لأشكال مثل النتوءات الحادة، والمركبات المتسعة، أو المقاطع المشوّهة. تليها طبقات الذاكرة الطويلة قصيرة المدى ثنائية الاتجاه (Bi-LSTM) التي تتبع كيفية تطور هذه الميزات عبر الزمن، ومبدأها أن تراقب الإيقاع إلى الأمام والخلف على حد سواء لالتقاط الفواصل غير المنتظمة والانتقالات بين النبضات. أخيرًا، يطبّق كتلة المحول آلية الانتباه التي تستطيع التركيز على أجزاء إشارة بعيدة لكنها ذات صلة عبر جميع القيادات في آن واحد، مستخلصة روابط قد تدل على حالات متداخلة. معًا، تحوّل هذه الطبقات كل نافذة ECG قصيرة إلى تمثيل مُدمج يُقدر منه الشبكة وجود كلٍ من الفئات الـ27 لاضطرابات النظم والتوصيل بطريقة متعددة الوسوم.

فتح الصندوق الأسود بتسليطات ذات معنى

لجعل قرارات النظام مفهومة، دمج المؤلفون تقنية تُسمى SHAP، التي تحسب مدى مساهمة كل جزء من ECG في توقُّع معين. بعد التدريب، استخدموا SHAP لتوليد «خرائط أهمية» بصرية تبرز مقاطع موجية وقيادات محددة اعتمد عليها النموذج في كل حالة. غالبًا ما طابقت هذه الخرائط استدلالات علم القلب القياسية: على سبيل المثال، أكد النظام على غياب موجات P والفواصل الزمنية غير المنتظمة بين النبضات عند التعرف على الرجفان الأذيني، أو على اتساع مركبات QRS وفترات توقف تعويضية عند التعرف على النبضات البطينية المبكرة. يوحي هذا التوافق بأن الذكاء الاصطناعي لا يكتفي بحفظ الأنماط فحسب، بل يركّز على نفس الدلائل الفسيولوجية التي يستخدمها الخبراء البشر.

الأداء في العالم الحقيقي والواعد في المستقبل

على مجموعة اختبار مستقلة من المرضى، صنّف النموذج الإيقاعات بدقة إجمالية تبلغ حوالي 91%، وحافظ على توازن قوي بين اكتشاف المشكلات الحقيقية وتجنب الإنذارات الكاذبة عبر الحالات الشائعة والنادرة على حد سواء. بالنسبة لاضطرابات قاتلة مثل النبضات البطينية المبكرة والرجفان الأذيني، كانت قدرته على التمييز بين غير الطبيعي والطبيعي مرتفعة جدًا. والأمر اللافت أن النموذج الكامل يشغل أقل من اثنين ميغابايت من الذاكرة ويمكنه تحليل نافذة ECG في أقل من عشر ملّي ثوانٍ، مما يجعله مناسبًا للنشر في أجهزة المراقبة بجانب السرير، ومسجلات المراقبة المتنقلة، أو حتى الأجهزة الذكية القابلة للارتداء. بعبارة بسيطة، يظهر هذا العمل أن ذكاءً اصطناعيًا مدمجًا وقابل التفسير يمكن أن يساعد في قراءة ECGs القياسية عبر مجموعة واسعة من مشاكل إيقاع القلب، مقدّمًا للأطباء مبررات بصرية واضحة ويمهّد الطريق لمراقبة قلبية أكثر أمانًا وتوافرًا.

الاستشهاد: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

الكلمات المفتاحية: تخطيط كهربائية القلب, اضطراب نظم القلب, التعلّم العميق, الذكاء الاصطناعي القابل للتفسير, مراقبة القلب