التغلب على فقدان البيانات في كشف الأمراض باستخدام الأجهزة القابلة للارتداء عبر تعويض قائم على GAN

لماذا يهم فقدان البيانات من الأجهزة القابلة للارتداء

تعد الساعات الذكية وأجهزة تتبُّع اللياقة بوعد جذاب: ماذا لو أمكنها تحذيرنا من عدوى قبل أيام من شعورنا بالمرض؟ في أجزاء كثيرة من العالم، خاصة المناطق الريفية التي تندر فيها العيادات والمختبرات، يمكن أن يعني هذا التحذير المبكر الفارق بين مرض طفيف ومرض خطير. لكن في الواقع، ينسى الناس ارتداء الأجهزة، تنفد البطاريات، وتنقطع الاتصالات بالإنترنت. تتناول هذه الدراسة سؤالاً بسيطاً لكنه حاسم: هل يمكننا إنقاذ تدفقات البيانات المعطوبة بدرجة كافية لاكتشاف العلامات المبكرة للمرض؟

تحويل الفجوات إلى إشارة مفيدة

ركز الباحثون على بيانات معدل ضربات القلب من الأجهزة المعصمية، لأن معدل ضربات القلب أثناء الراحة ليلاً يميل إلى الارتفاع بشكل طفيف قبل ظهور الأعراض. بدلاً من التخلص من الليالي التي تفتقد قراءات، استخدموا نوعاً من الذكاء الاصطناعي يُدعى شبكة الخصومة التوليدية (GAN) لملء الفجوات. فكر في الـGAN كمخمن ماهر تعلم أنماط إيقاع القلب اليومية النموذجية ويمكنه إعادة بناء ما حدث على الأرجح خلال الساعات المفقودة، مع الحفاظ على إمكانية وجود تغيّرات غير اعتيادية ناجمة عن العدوى.

اختبار الفكرة عبر مرضين مختلفين تماماً

للاختبار في العالم الحقيقي، درس الفريق مجموعتين كبيرتين من الأشخاص. كانت إحداهما مجموعة COVID-19 في الولايات المتحدة تضم أكثر من 3000 مشارك كانوا عموماً يمتلكون بيانات قابلة للارتداء موثوقة. والأخرى كانت مجموعة أصغر بكثير للملاريا في المناطق الريفية بغرب كينيا، حيث تم تسجيل نحو نصف قراءات معدل القلب المتوقعة فقط بسبب شحن الأجهزة، ومشكلات التوصيل، ومدة ارتداء غير كافية. بشكل ملحوظ، تم تدريب الـGAN فقط على بيانات COVID‑19، ومع ذلك تمكن من إعادة بناء أنماط معدل القلب المعقولة في مجموعة الملاريا دون أي إعادة تدريب.

العثور على العدوى الخفية في كينيا الريفية

في دراسة الملاريا الكينية، ارتدى 300 بالغ أساور معصم بينما كان فريق العمل الميداني يختبرهم بانتظام للملاريا ويجمع سجلات الأعراض. جمع المؤلفون معدلات ضربات القلب الليلية المُعاد بناؤها بواسطة الـGAN مع نظام بسيط قائم على قواعد يراقب الزيادات المستمرة فوق المستوى الأساسي المعتاد للشخص. من بين 161 عدوى ملاريا، أطلق نظامهم تنبيهات مبكرة في 100 حالة، وفي 42 من تلك الحالات لما كان التحذير ليحدث على الإطلاق لولا ملء البيانات المفقودة. في المتوسط، ظهرت هذه التنبيهات قبل حوالي 12 يوماً من إبلاغ الأشخاص بالأعراض، بما يقارب الزمن المعروف اللازم لتكاثر طفيليات الملاريا في الدم. وحتى مع فقدان بيانات كبير، كانت التنبيهات تظهر عادة لمدد متتالية تبلغ حوالي 3.5 يوم خلال نافذة العدوى، مما يزيد احتمال ملاحظة العاملين الصحيين واتخاذ إجراء.

موازنة الدقة والوضوح والعملية

قارن الفريق الـGAN بأساليب شائعة لملء الفجوات، من أساليب بسيطة جداً مثل حمل آخر قيمة إلى الأمام إلى نماذج إحصائية أكثر تقدماً. عبر مجموعتي المرض، أنتج الـGAN عموماً إعادة بناء أكثر دقة وحفظ أفضل لإيقاعات معدل القلب النهارية والليلية الطبيعية، حتى عندما كان أكثر من 70 بالمئة من البيانات مفقوداً. عندما تم تغذية هذه الإشارات المحسّنة إلى نماذج كشف العدوى الآلية، ارتفعت كلاً من الحساسية (اكتشاف الحالات الحقيقية) والدقة (تجنّب الإنذارات الكاذبة). وفي الوقت نفسه، صُمم الـGAN ليكون خفيف الوزن وسريعاً، بحيث يمكن أن يعمل في نهاية المطاف على حواسيب أساسية أو أجهزة طرفية في أماكن ذات طاقة واتصال محدودة.

ماذا قد يعني هذا للرعاية اليومية

لغير المتخصصين، الخلاصة الأساسية هي أن البيانات المفقودة من الأجهزة القابلة للارتداء ليست مجرد ضوضاء يجب رميها. مع نوع مناسب من الإعادة الذكية، يمكن تحويل تلك الفجوات مرة أخرى إلى إشارة تحذيرية ذات معنى. تُظهر هذه الدراسة أن نموذج ذكاء اصطناعي درب على مرض واحد (COVID‑19) يمكن أن يساعد في اكتشاف مرض آخر (الملاريا) في بيئة مختلفة تماماً، مما يمنح العاملين الصحيين أسبوعاً أو أكثر من الإشعار المسبق في كثير من الحالات. إذا نُفِّذ ذلك بأمان وبما يتوافق مع الأخلاقيات، فقد تساعد مثل هذه الأنظمة العاملين الصحيين في المجتمع على تقرير من يختبر، ومتى يزورون، وكيف يفضلون تخصيص الموارد النادرة، منقلين الرعاية من الرد على المرض المتفشّي نحو التقاط العدوى بهدوء بينما لا يزال هناك وقت للتدخل.

الاستشهاد: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

الكلمات المفتاحية: أجهزة الاستشعار القابلة للارتداء, كشف الأمراض المعدية, الملاريا, تعويض البيانات المفقودة, الصحة الرقمية في البيئات قليلة الموارد