التعلّم متعدد النماذج ومتعدد العينات لتنبؤ أداء فحص الجهد القلبي الرئوي

لماذا هذا مهم للأشخاص ذوي القلوب الضعيفة

بالنسبة للأشخاص المصابين بقصور القلب، أحد أكبر الأسئلة هو: «كم من الوقت تبقّى لدي، وماذا لا يزال بإمكان الأطباء فعله من أجلي؟» أفضل اختبار طبي للإجابة على هذا اليوم هو فحص مرهق على جهاز جري أو دراجة يقيس كمية الأكسجين التي يمكن للجسم استهلاكها أثناء التمرين الشديد. لكن هذا الاختبار صعب الحصول عليه ولا يتوفر في كثير من المستشفيات. تُظهر هذه الدراسة كيف قد يستخدم الأطباء بدلًا من ذلك صور الموجات فوق الصوتية للقلب الشائعة والمعلومات الموجودة بالفعل في السجل الطبي، مع تقنيات الذكاء الاصطناعي الحديثة، لتقدير نفس الرقم الحاسم والتنبيه للمرضى الذين قد يحتاجون إلى علاجات متقدمة منقذة للحياة.

التحدي في رصد الخطر مبكرًا

يؤثر قصور القلب على ملايين الأمريكيين وغالبًا ما يسرق أكثر من عقد من الحياة. في مراحله المتقدمة قد يكون البقاء أقل من كثير من أنواع السرطان، ومع ذلك يحصل جزء صغير فقط من المرضى على علاجات مثل زراعة القلب أو المضخات الميكانيكية في الوقت المناسب. أداة رئيسية لاتخاذ قرار الإحالة لهذه العلاجات هي اختبارات الجهد القلبي الرئوي، التي تقيس «أقصى استهلاك للأكسجين (peak VO₂)»، وهو أقصى كمية أكسجين يمكن للجسم استخدامها أثناء التمرين. يُعد انخفاض peak VO₂ علامة تحذيرية قوية، لكن الاختبار يحتاج معدات خاصة وطاقمًا مدرّبًا ومكانًا، لذا لا تستطيع العديد من المراكز—وخاصة المستشفيات الصغيرة أو الريفية—تقديمه. بالمقابل، تُعد صور صدى القلب الاعتيادية عبر الصدر (TTE) والسجلات الصحية الإلكترونية (EHR) متاحة على نطاق واسع لكنها، بمفردها، لم تكن جيدة جدًا في التنبؤ بمن هم الأكثر عرضة للخطر.

تعليم الحواسيب لقراءة عبر الاختبارات

طوّر الباحثون نظام ذكاء اصطناعي جديد يتعلم من مصدرَين رئيسيين للمعلومات: صور متحركة بالموجات فوق الصوتية للقلب وبيانات مفصلة من السجل الصحي الإلكتروني مثل العمر والوزن والأدوية وقياسات القلب الاعتيادية. يحتوي كل فحص بالصدى على العديد من المقاطع والزوايا المتخصصة، فبدلًا من معالجة كل صورة على حدة، يراجع النموذج كلها معًا بطريقة مشابهة لكيفية عمل الطبيب. يستخدم استراتيجية «متعدد العينات»: يحوّل أولًا كل صورة أو مقطع إلى وصف مُجمّع صغير، ثم يجمعها مع آلية انتباه تتيح للنموذج التركيز على الأجزاء الأكثر معلوماتية. بالتوازي، يحوّل شبكة عصبية متخصصة مُدرَّبة على أنواع عديدة من البيانات الجدولية الطبية معلومات السجل الصحي إلى ملخص خاص بها. خطوة دمج نهائية تمزج ملخَّصي الصدى والسجل الصحي إلى صورة واحدة للمريض، منها يتنبأ النظام بـ peak VO₂ وما إذا كان الشخص يقع تحت عتبة أمان حرجة.

كيف أداء النظام

درّب الفريق واختبر منهجهم على بيانات من أربعة مستشفيات كبيرة في شبكة New York–Presbyterian، مستخدمين 1000 مريض للتطوير و127 مريضًا من مواقع منفصلة للتحقق الخارجي. بالمقارنة مع نموذج ذكاء اصطناعي أبسط سابق نظر إلى بيانات الصدى والسجل الصحي بشكل أكثر استقلالية، كان الإطار الجديد أدق بوضوح. فسّر حوالى 60% من التباين في peak VO₂ في مجموعة الاختبار الرئيسية، مقابل نحو 53% سابقًا، وانخفض الخطأ النموذجي تقريبًا بنحو نصف معادل أيضي (MET)، وهو تحسّن ذو أهمية إكلينيكية. عندما كان الهدف ببساطة تحديد المرضى عاليي الخطر—أولئك ذوو القدرة التمرينية المنخفضة للغاية—بلغ النظام مساحة تحت المنحنى 0.85 في مجموعة التطوير و0.87 في المستشفيات الخارجية، متفوقًا على كل النماذج التي استخدمت الصدى فقط أو السجل الصحي فقط. عمليًا، عند توازن معقول سريريًا بين الحالات المفقودة والإنذارات الكاذبة، تم تمييز عدد أكبر من المرضى عاليي الخطر بشكل صحيح.

النظر داخل الصندوق الأسود

للتحقق من أن النموذج يولي اهتمامًا لميزات معقولة، أنشأ المؤلفون خرائط بصرية على صور الصدى تظهر أي المناطق كان لها التأثير الأكبر على التنبؤات. كانت الخرائط تميل إلى إبراز تجاويف القلب وحركتها وموجات تدفق الدم—ميزات يعتمد عليها أطباء القلب بالفعل—مشيرة إلى أن النظام يتعلم أنماطًا ذات معنى بدلًا من الضوضاء. في بيانات السجل الصحي، برزت مقاييس مثل العمر ومؤشر كتلة الجسم وقوة ضخ البطين الأيسر كعوامل مهمة، بما يتوافق مجددًا مع التوقعات السريرية. كما فحص الباحثون مدى فاعلية النموذج في مجموعات فرعية مختلفة. كان الأداء مشابهًا للرجال والنساء ولِلأشخاص البيض وغير البيض عند التنبؤ بالقيمة الدقيقة لـ peak VO₂، رغم ظهور بعض الفجوات لدى كبار السن وفي تصنيف عاليي الخطر عبر الأجناس، ما يؤكد الحاجة إلى بيانات أكثر تنوعًا وتحسينات تركز على العدالة.

من البحث إلى رعاية المريض

بما أن النظام يستخدم معلومات يتم جمعها بالفعل في الرعاية الروتينية—صدى قلب قياسي وبيانات السجل الصحي الموجودة—فمن الناحية النظرية يمكن دمجه مباشرة في برمجيات المستشفى. بعد قراءة الفحص، يمكن للذكاء الاصطناعي بهدوء تقدير peak VO₂ وتسليط الضوء على المرضى الذين تُنبئ قدرتهم التمرينية بأنها منخفضة بشكل خطير، مما يدفع الأطباء لطلب اختبار جهد رسمي أو إحالتهم إلى أخصائيي قصور القلب المتقدم. تشير نتائج الدراسة، بما في ذلك الأداء القوي في مستشفيات لم تُستخدم في التدريب، إلى أن مثل هذه الأداة قد تساعد في رصد مزيد من المرضى المعرضين للخطر والذين قد يُغفلون خلاف ذلك. ومع حاجة التجارب المستقبلية والاختبارات الأوسع، يشير هذا العمل نحو مستقبل تُكمّل فيه الأنظمة الذكية الاختبارات النادرة والقوية عبر استخدام أذكى للبيانات التي تمتلكها معظم المستشفيات بالفعل.

الاستشهاد: Huang, Z., Pan, W., Alishetti, S. et al. Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digit. Med. 9, 304 (2026). https://doi.org/10.1038/s41746-026-02493-w

الكلمات المفتاحية: قصور القلب, اختبار الجهد القلبي الرئوي, تخطيط صدى القلب, الذكاء الاصطناعي, تنبؤ المخاطر