إطار تعلم آلي لوصف تمارين مخصصة استنادًا إلى مؤشر كتلة الجسم وتقييم اللياقة البدنية

لماذا تهم التمارين الأكثر ذكاءً

يعاني كثير من الشباب البالغين من زيادة الوزن حتى عندما يحاولون البقاء نشيطين. تكون النصائح العامة مثل «مارس التمارين 150 دقيقة في الأسبوع» غامضة في أغلب الأحيان ولا تعكس الاختلافات الفردية في اللياقة أو نوع الجسم أو التقدّم. تبحث هذه الدراسة فيما إذا كان بإمكان الذكاء الاصطناعي تحويل نتائج اختبارات اللياقة البسيطة إلى برامج تدريبية شخصية للغاية تساعد الشباب على الخروج من نطاق زيادة الوزن بكفاءة وأمان أكثر من الإرشادات الموحدة.

تحويل اختبارات اللياقة إلى ملف شخصي

عمل الباحثون مع بيانات 6,698 طالبًا جامعيًا ذكرًا تتراوح أعمارهم بين 18 و20 عامًا. خضع كل طالب لقياس مؤشر كتلة الجسم (BMI) وأربعة اختبارات لياقة قياسية: ركض 3000 متر للقدرة على التحمل، تمرين العقلة للقوة العلوية، تمرين الجلوس/البطن لتحمل الجذع، واختبار التجديف/التتابع للسرعة والرشاقة. تُجسّد هذه المقاييس صورة متكاملة إلى حد معقول عن كيفية عمل القلب والعضلات وأنظمة الحركة. بدلًا من تحليل كل اختبار بمعزل عن الآخر، سعى الفريق إلى فهم النمط المعقد الذي يربط ملف اللياقة هذا بفئة مؤشر كتلة الجسم للشخص — نقص الوزن، الطبيعي، زيادة الوزن، أو السمنة.

نظام هجيني للذكاء الاصطناعي يقرأ كيف تتحرك

لبناء فهم لهذه الأنماط، أنشأ الفريق نظام تعلم آلي هجيني يجمع بين قوتين مختلفتين. أولًا، يقوم شبكة عصبية تلافيفية أحادية البعد مدعومة بآلية انتباه بمسح تسلسل أوقات اللفات في ركض الـ3000 متر مع مراعاة نتائج القوة والسرعة أيضًا. هذا يمكّن النظام من ملاحظة تفاصيل مثل ما إذا كان الشخص يتراجع بشدة في اللفات النهائية أو يحافظ على وتيرة ثابتة. ثانيًا، تنتقل المعلومات المكثفة إلى نموذج قرار معزز بالتدرج (gradient-boosting) الذي يجيد رسم حدود فئوية واضحة — هنا الفئات الأربع لمؤشر كتلة الجسم. هذا الجمع صنّف فئات مؤشر كتلة الجسم بدقة 94.5%، متفوقًا بوضوح على نماذج قياسية مثل الانحدار اللوجستي والغابات العشوائية وXGBoost على نفس البيانات، مع استمرار القدرة على إصدار توقعات في أقل من مللي ثانية للشخص الواحد.

من التنبؤات إلى خطط تدريب مفصلة

الخطوة الأساسية هي ترجمة هذه التنبؤات إلى تمارين عملية. للحفاظ على قابلية فهم النظام للمدربين والأطباء، استخدم الباحثون طريقة تسمى SHAP تُظهر مقدار تأثير كل اختبار لياقة في دفع توقع مؤشر كتلة الجسم نحو فئة أكثر صحة أو أقل صحة. لكل طالب، يصنف النموذج المجالات الضعيفة الأكثر أهمية — مثل قلة عدد العقلات أو بطء زمن الركض. ثم تربط محرك قواعد هذه الأولويات بأنواع تمرينات محددة، مثل المزيد من جلسات قوة الجزء العلوي من الجسم، تدريب هوائي إضافي، أو تمارين سرعة ورشاقة مكثفة. كل أسبوعين في التجربة، تدخلت نتائج اختبارات جديدة في النظام ليتمكن من زيادة أو خفض حجم التدريب وتقليل الحمل إذا أشارت علامات التعب إلى خطر الإفراط في التدريب.

اختبار النظام ميدانيًا

لمعرفة ما إذا كانت هذه المقاربة الموجهة بالذكاء الاصطناعي تحسّن الصحة فعلاً، أجرى الفريق تجربة عشوائية مضبوطة استمرت 12 أسبوعًا شملت 1,160 طالبًا جديدًا. تلقى النصف تعليمات تمارين تقليدية؛ بينما اتبع النصف الآخر الوصفات المخصّصة التي ولّدها النموذج، بما في ذلك فترات تدريب متقطعة عالية الشدة منظمة، عمل هوائي ثابت، تدريب قوة، وإرشاد تغذوي أساسي. أظهرت المجموعة المخصصة تحسّنات ملحوظة: انخفضت النسبة الإجمالية للطلاب ذوي الزيادة في الوزن أو السمنة بنسبة 23.5%، وانتقل ما يقرب من سبعة من كل عشرة مشاركين ذوي زيادة الوزن إلى النطاق الطبيعي، وانتقل العديد من المشاركين المصابين بالسمنة إلى فئة زيادة الوزن. كما تحسنت اللياقة بشكل كبير، بزيادة حوالى 15% في عدد العقلات، وتقليل زمن ركض الـ3000 متر بنحو 10%، وتسارع أكثر من 10% في اختبار التتابع مقارنةً بمجموعة التحكم، وكل ذلك دون زيادة في الإصابات.

ما الذي يعنيه ذلك للصحة اليومية

لغير المتخصصين، الخلاصة أن اختبارات بسيطة ومألوفة — مثل المسافة التي تستطيع الركضها، عدد العقلات والجلوسات التي يمكنك أداؤها، ومدى سرعتك في الركض ذهابًا وإيابًا — يمكن أن تغذّي نظام ذكاء اصطناعي يصمّم تمارين متوائمة مع جسدك وقدراتك الحالية. تظهر الدراسة أن مثل هذا النظام لا يتنبأ فقط بمن هم أكثر عرضة لمخاطر متعلقة بالوزن، بل يقدّم أيضًا خطط تمرين تساعد الناس على التحرك بأمان نحو مؤشر كتلة جسم أكثر صحة مع زيادة القوة واللياقة. وعلى الرغم من أن العمل الحالي يركّز على شباب ذكور في بيئة واحدة، إلا أنه يمهد الطريق لمستقبل قد توفر فيه تطبيقات الهواتف أو أدوات العيادات إرشادًا تمرينيًا مخصصًا ومحدَّثًا باستمرار لمجموعات سكانية أوسع.

الاستشهاد: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

الكلمات المفتاحية: تمارين مخصصة, التعلم الآلي في الصحة, مؤشر كتلة الجسم واللياقة, الوقاية من سمنة الشباب, تخطيط التمرين بالذكاء الاصطناعي