تطوير منصة ويب للتنبؤ بخطر السقوط لدى مرضى القلب والأوعية الدموية باستخدام التعلم الآلي

لماذا الحفاظ على وقوف مرضى القلب مهم

بالنسبة لملايين البالغين في منتصف العمر وكبار السن الذين يعيشون مع مشاكل في القلب والأوعية الدموية، قد يؤدي تعثر بسيط في المنزل إلى سلسلة من الأزمات الصحية. قد يؤدي سقوط خطير إلى كسور، وإقامات بالمستشفى، وانتكاسة جسيمة لقلوب هشة بالفعل. طرحت هذه الدراسة سؤالًا عما إذا كانت تقنيات الحوسبة الحديثة يمكن أن تساعد الأطباء على تحديد أي المرضى القلبيين هم الأكثر عرضة للسقوط، قبل وقوع الحادث بوقت طويل، ومن ثم التدخل مبكرًا لحمايتهم والحفاظ على استقلاليتهم.

كيف ترتبط مشاكل القلب والسقوط

تعد السقوط إحدى الأسباب الرئيسية للإصابات العرضية والوفيات لدى كبار السن حول العالم، وتحمل تكاليف عاطفية ومالية كبيرة للأسر وأنظمة الرعاية الصحية. في الوقت نفسه، تزداد شيوع أمراض القلب والأوعية الدموية مع تقدم السكان في العمر، والعديد من المرضى المصابين بحالات قلبية يكونون عرضة بشكل خاص. يمكن للمشكلات القلبية الطفيفة أن تؤثر على ضغط الدم والتوازن والقدرة على التحمل حتى قبل وضوح الأعراض. عندما يسقط أشخاص مصابون بأمراض قلبية، فمن المرجح أن يعانوا من مضاعفات، ويحتاجوا لعمليات جراحية، ويواجهوا مخاطر أعلى أثناء التعافي. ولهذا السبب يعد توقع خطر السقوط في هذه الفئة مسألة عاجلة للصحة العامة.

تحويل المسوحات الصحية الكبيرة إلى أداة مخاطرة

استند الباحثون إلى دراسة وطنية كبيرة للبالغين الصينيين الذين تبلغ أعمارهم 45 سنة فأكثر والتي تتعقب الصحة ونمط الحياة والعوامل الاجتماعية مع مرور الوقت. من هذه القاعدة الغنية بالبيانات حددوا 1784 شخصًا كانوا مصابين بأمراض قلبية واتبعوهم لمدة عامين لرصد من أبلغ عن سقوط. فحصوا 40 متغيرًا محتملاً، تتراوح من العمر والتعليم وجودة النوم والمزاج إلى حالات طبية مثل أمراض الكلى والروماتيزم، إضافة إلى الألم، والسقوط السابق، ومقاييس القوة والقدرات الإدراكية. ساعد التنظيف الدقيق للبيانات، ومعالجة القيم المفقودة، وموازنة الساقطين وغير الساقطين في إعداد المعلومات للتحليل المتقدم.

ما تعلمته النماذج الذكية

بدلًا من الاعتماد فقط على الصيغ الإحصائية التقليدية، اختبر الفريق ستة أساليب مختلفة للتعلم الآلي، التي يمكنها الكشف عن أنماط معقدة في البيانات. ساعدت تقنية تُدعى LASSO في تقليص العديد من المتغيرات إلى تسعة متغيرات الأكثر معلوماتية. كانت هذه العمر، ومستوى التعليم، وجودة النوم، وأمراض الكلى، والروماتيزم، والألم، والرضا عن الحياة، والاكتئاب، وتاريخ السقوط. من بين النماذج الستة، قدّم أسلوب يعرف باسم Light Gradient Boosting Machine أدق التنبؤات، مفصولًا بشكل صحيح بين المرضى ذوي المخاطر الأعلى والأدنى في كل من المجموعة الأصلية وموجة سابقة من المسح استُخدمت كتحقق خارجي. ولتفكيك «الصندوق الأسود» للتعلم الآلي، استخدم الفريق أداة تفسير تظهر مدى دفع كل عامل لخطر الشخص صعودًا أو هبوطًا.

عوامل خطر يمكنك ملاحظتها وتغييرها

أبرزت نتائج التفسير أن العمر الأكبر والسقوط السابق كانا أقوى علامات تحذيرية، في حين أن أمراض الكلى، والمشكلات الروماتيزمية، والألم، والاكتئاب رفعت أيضًا احتمال السقوط. من ناحية أخرى، كان المزيد من سنوات الدراسة، وجودة النوم الأفضل، والشعور برضا أكبر عن الحياة عوامل وقائية تميل إلى تقليل مخاطر السقوط. من الجدير بالملاحظة أن الأشخاص ذوي جودة النوم المتوسطة قد يكونون عرضة لخطر عالٍ بشكل خاص، ربما لأنهم يظلون نشطين في حين أنهم مصابون بمشكلات توازن أو انتباه طفيفة. العديد من هذه المحركات سهلة السؤال عنها خلال زيارة العيادة أو حتى في فحص مجتمعي، مما يجعل النموذج عمليًا للعاملين الصحيين المشغولين.

من التنبؤ إلى أداة ويب بسيطة

للتقدم من النظرية إلى التطبيق، حوّل المؤلفون نموذجهم الأكثر أداءً إلى منصة ويب سهلة الاستخدام. يمكن للطبيب أو العامل الصحي إدخال عمر المريض، ومستوى التعليم، وجودة النوم، والمزاج، والألم، وحالة أمراض الكلى والروماتيزم، والرضا عن الحياة، وتاريخ السقوط، والحصول على تقدير لاحتمال السقوط خلال السنتين التاليتين. وبينما لا تحل الأداة محل الحكم الطبي، فإنها توفر طريقة منظمة لتنبيه المرضى القلبيين الذين قد يستفيدون أكثر من تمارين القوة، وفحوصات السلامة المنزلية، ومعالجة المزاج، أو متابعة أقرب.

ماذا يعني هذا للحياة اليومية

تُظهر هذه الدراسة أن الاستخدام الذكي لبيانات المسوحات القائمة والتعلم الآلي يمكن أن يساعد في تحديد مرضى القلب الأكثر عرضة للسقوط. من خلال التركيز على مجموعة صغيرة من العوامل المفهومة، يظل النموذج قابلاً للاستخدام في العيادات الواقعية بينما يلتقط في الوقت نفسه أنماطًا معقدة في البيانات. إذا طُبّق بحكمة، يمكن أن تدعم مثل هذه الأدوات خطط وقاية أكثر تخصيصًا، وتقلل السقوطات الخطرة، وتساعد الأشخاص المصابين بأمراض القلب على البقاء واقفين والحفاظ على جودة حياة أفضل مع تقدمهم في العمر.

الاستشهاد: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

الكلمات المفتاحية: أمراض القلب والأوعية الدموية, خطر السقوط, التعلم الآلي, كبار السن, تنبؤ الخطر