HEAL: لواروان مُحسَّن للصحة وقابل للتكيّف لمراقبة الجنود في الزمن الحقيقي والتنبؤ بالحالة باستخدام الذكاء الاصطناعي

لماذا تهم مراقبة صحة الجنود عن بُعد

في ساحة المعركة اليوم، قد يعمل الجنود بعيدًا عن الأطباء، في تضاريس وعرة حيث تكون الاتصالات متقطعة وتحتاج البطاريات إلى أن تدوم لأيام. تستكشف هذه الدراسة كيف يمكن لأجهزة الاستشعار الصحية القابلة للارتداء وروابط الراديو منخفضة الطاقة والذكاء الاصطناعي أن تتعاون للحفاظ على مراقبة هادئة ومستمرة لعلامات الحياة لدى الجنود. الهدف هو اكتشاف علامات مبكرة للإجهاد الحراري أو انخفاض الأكسجين أو مشكلات أخرى وإخطار الطواقم الطبية في الوقت المناسب، حتى عندما تكون الاتصال اللاسلكي غير موثوق.

زيّ ذكي وخيوط حياة بعيدة

أتاح التقدّم الأخير في إنترنت الأشياء الطبية إمكانية دمج أجهزة الاستشعار في الزيّ، الأساور أو أحزمة الصدر التي تتتبع معدل القلب ودرجة الحرارة وتشبع الأكسجين والمزيد. كانت الأنظمة السابقة تعتمد غالبًا على وصلات قصيرة المدى مثل البلوتوث أو الواي‑فاي، التي تعمل جيدًا بالقرب من محطة أساسية لكنها تواجه صعوبة عبر التلال أو الغابات أو القوافل المتحركة. تركز هذه الورقة على LoRaWAN، وهي تقنية راديو طويلة المدى ومنخفضة الطاقة قادرة على إرسال حزم بيانات صغيرة لمسافات مئات الأمتار أو كيلومترات. التحدي هو أن هذه الوصلة الراديوية يمكن أن تفقد حزمًا، وتُدخل تأخيرات، وتقيّد كمية البيانات المرسلة، وكل ذلك قد يربك نماذج الذكاء الاصطناعي المتوقعة الحصول على قراءات منتظمة ونظيفة.

إطار عمل يُسمى HEAL

يقدّم المؤلفون HEAL، إطار Health-Enhanced Adaptive LoRaWAN الذي يربط أجهزة الاستشعار القابلة للارتداء وشبكة LoRaWAN ونماذج الذكاء الاصطناعي في نظام شامل من الطرف إلى الطرف. يحمل كل جندي حسّاسات صغيرة ترسل إشارات حيوية مُنتقاة عبر بوابة LoRaWAN إلى خادم مركزي، حيث يفحص الذكاء الاصطناعي نوافذ زمنية قصيرة من القراءات ويصنّف الحالة الصحية إلى «سليم»، «مثير للقلق» أو «حرج». و«التكيّف» هنا يعني اختيار وضبط نماذج الذكاء الاصطناعي للحفاظ على الدقة حتى عندما تصل البيانات متأخرة، أو تكون مفقودة أحيانًا، أو تحتوي على قياسات أقل مما هو مثالي، بما يعكس ما يحدث فعليًا عبر شبكة ميدانية منخفضة الطاقة.

تعليم الذكاء الاصطناعي قراءة الإشارات الحيوية

لتدريب واختبار الذكاء الاصطناعي، استخدم الباحثون مجموعة بيانات عامة كبيرة للإشارات الحيوية بدلًا من بيانات ميدانية حقيقية. ونظرًا لأن مجموعة البيانات افتقرت إلى تسميات الحالة الصحية، استعانوا بعدة نماذج لغوية كبيرة لتعمل كمساعدات «وضع تسميات» آلية، تُسند كل سجل إلى سليم أو مثير للقلق أو حرج استنادًا إلى تراكيب من معدل القلب والحرارة ومستوى الأكسجين وضغط الدم ومعدل التنفس وسكر الدم. استُخدمت بعد ذلك طريقة بسيطة قائمة على قواعد مستندة إلى إرشادات طبية للتحقق من سلامة هذه التسميات. نظّف الفريق البيانات ووازنها بحيث تكون كل فئة صحية ممثلة جيدًا، ثم درّب وقارن 13 نموذجًا عميقًا مختلفًا تعالج سلاسل الإشارات الحيوية الزمنية، مثل شبكات LSTM وGRU. حقق نموذج LSTM ثنائي الاتجاه الذي يحلل نوافذ قصيرة من ثلاثة إشارات أساسية (معدل القلب والحرارة ومستوى الأكسجين) دقة تقارب 94% ومقياس F1 ماكرو بنسبة 95%، مما يعني أنه تعامل بشكل موثوق مع الحالات الصحية الشائعة والنادرة.

إدخال الذكاء الاصطناعي في وصلة راديوية هشة

بعد ذلك، اختُبر HEAL داخل مُحاكٍ مفصل لـ LoRaWAN يُحاكي كيف تسافر الحزم أو تتصادم أو تفقد بين جنود متحركين وبوابة. نُشر أفضل نموذج ذكاء اصطناعي على خادم التطبيق المحاكَ، الذي استقبل أي حزم تمرّ وأنتج تنبؤات صحية في الزمن الحقيقي. تغيّرت الدراسة في المسافة بين الجنود والبوابة (من 200 إلى 1000 متر) وعامل الانتشار الراديوي، الذي يوازن زمن الإرسال مقابل المدى والموثوقية. في ظروف ملائمة، مع مسافات معتدلة تتراوح بين 200 إلى 400 متر وعوامل انتشار أدنى، سلّمت الشبكة ما يصل إلى 91% من الحزم بينما حافظ الذكاء الاصطناعي على دقة تقارب 93%. عند المسافات الأطول أو عوامل الانتشار الأعلى، انخفضت توصيل الحزم والإنتاجية وارتفع استهلاك الطاقة لكل رسالة ناجحة، مما يبرز مقايضة واضحة بين المدى والموثوقية وعمر البطارية.

من نماذج المختبر إلى المهام الحقيقية

فحص الباحثون أيضًا مدى انتقال نماذجهم من بيانات مختبرية نظيفة إلى بيانات ميدانية محاكاة أكثر قسوة تعكس فقدان الحزم والتوقيت غير المنتظم. عندما طُبِّق النموذج مباشرة، انخفضت الدقة إلى نطاق منتصف السبعينات بالمئة، لكن الضبط الدقيق على بيانات على نمط LoRaWAN استعاد الأداء إلى أكثر من 92%. هذا يبيّن أن تدريب الذكاء الاصطناعي على أمثلة واعية بالاتصالات أمر حاسم ليعمل بشكل موثوق في نشرات حقيقية، وليس فقط في مجموعات بيانات مُسدّدة.

ما يعنيه هذا لرعاية الجنود المستقبلية

بعبارات بسيطة، تقترح هذه الدراسة أن مراقبة صحة الجنود باستمرار باستخدام أجهزة قابلة للارتداء منخفضة الطاقة ووصلات لاسلكية طويلة المدى ممكنة عمليًا، طالما تم تصميم الذكاء الاصطناعي والشبكة معًا. يمكن لنموذج ذكاء اصطناعي مُختار بعناية، مدرَّب على بيانات جيدة التوسيم ومتكيف مع خصوصيات قناة الراديو، أن يظل يكتشف متى ينتقل جندي من حالة السليم إلى المثيرة للقلق أو الحرجة حتى عندما تفتقد بعض القراءات. تقدّم HEAL مخططًا يمكن أن يوجّه أنظمة مستقبلية للوحدات العسكرية أو فرق الاستجابة للكوارث أو العمال البعيدين، حيث يجب موازنة الرؤية الوقتية للحالة الصحية مع عرض نطاق محدود والقدرة والطاقة والاتصال المحدود.

الاستشهاد: Alghamdi, A., Alotaibi, R. & Alahmadi, H. HEAL: health-enhanced adaptive LoRaWAN for AI-based real-time soldier monitoring and status prediction. Sci Rep 16, 15213 (2026). https://doi.org/10.1038/s41598-026-44274-1

الكلمات المفتاحية: مراقبة صحة الجنود, LoRaWAN, أجهزة استشعار قابلة للارتداء, تنبؤ صحي بالذكاء الاصطناعي, إنترنت الأشياء الطبية