تقييم التعلم الانتقالي عبر مجموعات بيانات لتقدير ضغط الدم باستخدام القياس الضوئي للنبض

لماذا يهم قياس ضغط الدم دون كُمّ

يُعد ارتفاع ضغط الدم سببًا رئيسيًا للنوبات القلبية والسكتات الدماغية، ومع ذلك فإن معظم الناس يفحصون ضغطهم بين الحين والآخر فقط باستخدام كُمّ الذراع في عيادة الطبيب. تستكشف هذه الدراسة كيف يمكن للمستشعرات القابلة للارتداء والذكاء الاصطناعي أن يقدّروا ضغط الدم باستمرار دون ضغط الذراع، من خلال التعلم من قواعد بيانات مستشفى كبيرة ثم التكيّف مع أجهزة جديدة مثل الساعات الذكية. يتعامل العمل مع عقبة رئيسية: كيف نجعل الخوارزميات المدربة في بيئة واحدة تعمل جيدًا عندما يتغير المستشعر والبيئة.

من كمّات الذراع إلى الاستشعار بالضوء

تُعد كمّات ضغط الدم التقليدية موثوقة لكنها مرهقة للاستخدام المتكرر. فهي تتطلب النفخ حتى يتوقف تدفق الدم مؤقتًا، وقد تكون غير مريحة، ولا تلتقط سوى عدد قليل من القراءات يوميًا. البديل هو القياس الضوئي لتغير حجم الدم (PPG)، الذي يستخدم مصدر ضوء صغير وكاشفًا، شبيهًا بما في أجهزة قياس تشبع الأكسجين والساعات القابلة للارتداء، لالتقاط التغيرات الطفيفة في حجم الدم مع كل نبضة قلب. تُحمل موجات الإشارة المعتمدة على الضوء معلومات مرتبطة بضغط الدم، ما يفتح إمكانية مراقبة بدون كمّ يمكن أن تعمل أثناء الحياة اليومية في المنزل أو أثناء الحركة.

تعليم خوارزمية لقراءة موجات النبض

بدلًا من صياغة قائمة طويلة من الميزات الرياضية يدويًا من إشارات PPG، يستخدم المؤلفون نموذج تعلم عميق يتعلّم الأنماط مباشرة من مقاطع قصيرة من الموجة مدتها خمس ثوانٍ. يبدأون بهيكل موجود يجمع بين طبقات التفافية (جيدة في اكتشاف الأشكال) وطبقات تكرارية (جيدة في متابعة الأنماط الزمنية)، ثم يقلّصونه ليحتوي على أقل من نصف عدد المعاملات القابلة للتدريب الأصلي. يجعل هذا الشبكة الصغيرة أسهل في التدريب عندما تتوفر بضع ساعات فقط من البيانات لكل شخص، وفي الوقت نفسه تلتقط العلاقات المعقدة بين شكل موجة النبض وضغط الدم.

جعل النماذج المدربة في المستشفى تعمل في أماكن أخرى

عقبة كبيرة هي أن إشارات PPG تتغير عندما يتغير العتاد أو موقع التسجيل أو البيئة. يختبر الفريق ما إذا كان "التعلّم الانتقالي" يمكن أن يساعد. يدربون أولًا شبكتهم العصبية باستخدام بيانات من قاعدة بيانات مستشفوية كبيرة واحدة، حيث يُسجّل لدى المرضى PPG من أطراف الأصابع وضغط دم غازي (غزوي) بشكل مستمر. ثم يقومون بضبط طبقات أعمق مختارة فقط من النموذج لكل شخص جديد باستخدام كمية أصغر بكثير من البيانات من قاعدة بيانات ثانية جُمعت بشكل منفصل. تحاكي هذه البنية عبر قواعد البيانات ما يحدث في الممارسة، حيث قد تبدأ شركة ببيانات مستشفوية عامة ثم تُكيّف نموذجها لجهاز جديد أو مستخدم جديد بسجلات شخصية محدودة.

كيف أداء النماذج المُكيَّفة

يقارن الباحثون ثلاث مقاربات: التدريب من الصفر لكل شخص، التعلّم الانتقالي داخل قاعدة بيانات واحدة، والتعلّم الانتقالي عبر قواعد بيانات. على 200 مريض مأخوذين من مجموعتي بيانات كبيرتين، يُحسّن التعلّم الانتقالي عبر قواعد البيانات متوسط الخطأ بنحو 13 بالمئة مقارنة بالتدريب من الصفر، ليصل إلى نحو 3.4 مم زئبق للضغط الانقباضي و1.8 مم زئبق للضغط الانبساطي. تفي هذه النتائج بالمعايير الدولية الرئيسية المستخدمة لتقييم أجهزة قياس ضغط الدم. والأهم أن النماذج المُكيّفة عبر قواعد البيانات تعمل بفرق يقارب 1 بالمئة من النماذج المُكيّفة داخل نفس القاعدة، والفارق الصغير غير ذو دلالة إحصائية. كما يبين المؤلفون أن التعلّم الانتقالي يظل مفيدًا عندما تتوفر بيانات قليلة جدًا لضبط المعلمات، وأنه يعزز الدقة أيضًا عند تطبيقه على مجموعة بيانات أصغر غير مستشفوية جُمعت بأجهزة استشعار مختلفة.

ما الذي يعنيه هذا لمراقبة الصحة اليومية

بالنسبة لغير المتخصص، الخلاصة أن خوارزمية مدربة على بنوك بيانات مستشفوية كبيرة يمكن "إعادة استخدامها" وتعديلها بخفة لأشخاص وأجهزة وبيئات جديدة دون الحاجة إلى تجارب سريرية ضخمة في كل مرة. من خلال تنظيف الإشارات بعناية، وتقليل حجم النموذج، وتحديث الطبقات الأكثر معلوماتية فقط لكل مستخدم، تُظهر الدراسة أن تقدير ضغط الدم المستمر بدون كمّ من مستشعرات الضوء يمكن أن يصل إلى مستويات خطأ متوافقة مع المعايير الحالية. ومع أن هناك حاجة إلى عمل إضافي في ظروف الحياة اليومية النشطة الحقيقية وعلى المستشعرات المعصمية، فإن استراتيجية التعلّم الانتقالي عبر قواعد البيانات تقرب خطوة عملية أخرى نحو تتبُّع ضغط الدم القابل للارتداء.

الاستشهاد: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

الكلمات المفتاحية: ضغط الدم بدون كُمّ, القياس الضوئي لتغير حجم الدم (PPG), مراقبة الصحة القابلة للارتداء, التعلّم العميق, التعلّم الانتقالي