الكشف الآلي متعدد الفئات عن اضطرابات نظم القلب في تخطيط كهربية القلب باستخدام VMD والتحسين متعدد المهام

لماذا هذا مهم لقلوبنا اليومية

قد تكون مشكلات إيقاع القلب صامتة أو مفاجئة أو خطيرة، ومع ذلك غالبًا ما تكون أول علامة تحذيرية عبارة عن مخطط كهربية القلب بسيط. تستكشف هذه الدراسة كيف يمكن للحواسيب قراءة تلك الإشارات الكهربائية بسرعة لرصد عدة اضطرابات إيقاع خطيرة في وقت واحد، بهدف مساعدة الأطباء على اتخاذ قرارات أسرع وأكثر موثوقية.

مراقبة نبضات القلب كإشارة

تخطيط كهربية القلب، أو ECG، هو تسجيل للنبضات الكهربائية الصغيرة التي تجعل القلب ينقبض بنمط منتظم. في الشخص السليم تتبع هذه الموجات شكلًا منتظمًا، لكن في حالات مثل الرجفان الأذيني، الرجفان البطيني، وتسارع بطيني القلب يصبح النمط غير منتظم أو سريعًا أو فوضويًا. قراءة هذه الإيقاعات بالعين تستغرق وقتًا وتتعرض للخطأ البشري، خاصة عندما يجب فحص آلاف نبضات القلب. يمكن للتحليل الآلي أن يساعد بتحويل كل نبضة إلى أرقام يمكن للحاسوب مقارنتها وتصنيفها.

تحويل القراءات المشوشة إلى أنماط ذات مغزى

أنشأ الباحثون سلسلة خطوات تبدأ بتسجيلات ECG خام من عدة قواعد بيانات عامة معروفة. أولاً، ينظفون الإشارات لإزالة الضوضاء والآثار الشاردة بحيث تبقى فقط نشاطات القلب الحقيقية. بعد ذلك، يقسمون كل ECG إلى عدة مكونات أبسط باستخدام طريقة رياضية تفصل المحتوى الترددي المنخفض عن العالي. من هذه المكونات يقيس النظام العديد من الخصائص، مثل كم هي energetically نشطة الموجات، ومدى عدم انتظامها، وانحرافها. تلتقط هذه الأوصاف العددية اختلافات دقيقة بين الإيقاع الطبيعي والاضطرابات الخطرة التي قد لا تكون واضحة للعين المجردة.

ترك الخوارزمية تختار ما يهم فعلًا

لأنه يمكن استخراج مئات القياسات من كل نبضة قلب، فليس كلها مفيدًا بنفس القدر. قد تبطئ المدخلات الكثيرة البرامج وتربك خوارزميات التعلم. لمواجهة ذلك، يستخدم المؤلفون طريقة بحث مستوحاة من سلوك أسراب الطيور تتصرف كمجموعة من الطيور الافتراضية تستكشف تراكيب مختلفة من الميزات معًا. تحاول هذه الطريقة الحفاظ على دقة عالية مع اقتطاع القياسات غير الضرورية. بعد هذا البحث، يُحتفظ بحوالي ثلث الميزات الأصلية فقط، مكوّنًا وصفًا مدمجًا لكل نبضة أسهل وأسرع للحواسيب في المعالجة.

اختبار العديد من نماذج التعلم

بفضل هذه الميزات المبسطة، يقوم الفريق بتدريب وتقييم عدة نماذج متقدمة للتعلم الآلي. تشمل هذه طرقًا قائمة على الأشجار تبني العديد من قواعد القرار وتدمجها، وكذلك أساليب التعزيز التي تركز على النبضات الأصعب في التصنيف. يقارنون الأداء قبل وبعد اختيار الميزات، وينظرون ليس فقط إلى الدقة الإجمالية ولكن أيضًا إلى مدى تمييز كل نوع من الإيقاعات بشكل صحيح. بعد التحسين تصل عدة نماذج إلى نحو 99 في المئة دقة بينما تستهلك وقتًا أقل بكثير للتشغيل. يبيّن النظام نتائج قوية عبر جميع الفئات الأربع للإيقاع، كما تؤكد مصفوفات الالتباس ومنحنيات المستلم العامل.

ما يعنيه هذا لرعاية القلب مستقبلاً

بعبارات بسيطة، تُظهر هذه الدراسة أن تنظيف إشارات ECG بعناية، تقسيمها إلى أجزاء ذات معنى، والسماح بطريقة بحث ذكية باختيار أفضل القياسات يمكن أن يمنح الحواسيب قدرة بصرية حادة لمشاكل إيقاع القلب. ومع أنه يحتاج بعد لاختبارات على مجموعات مرضى أوسع وأكثر تنوعًا، فقد يشكل هذا النهج أساسًا لأدوات فحص آلية سريعة تميّز الإيقاعات الخطرة للأطباء، لمساعدتهم على توجيه الانتباه حيث يلزم أكثر.

الاستشهاد: Krishna, Y.M., Vasavi, K.P., Chaitanya, M.K. et al. Automated multi-class ECG arrhythmia detection using VMD and multi-task optimization. Sci Rep 16, 15435 (2026). https://doi.org/10.1038/s41598-026-44103-5

الكلمات المفتاحية: تخطيط كهربية القلب, اضطراب نظم القلب, التعلم الآلي, اختيار الميزات, إيقاع القلب