التعلم العميق باستخدام بيانات تخطيط كهربائية الدماغ (EEG) لتشخيص والتنبؤ باستجابة مثبطات استرداد السيروتونين الانتقائية (SSRI) في الاضطراب الاكتئابي الشديد

لماذا قد تغيّر موجات الدماغ رعاية الاكتئاب

بالنسبة لملايين الأشخاص المصابين بالاكتئاب الشديد، يعني التحسّن غالبًا الخضوع لبحث بطيء ومحبط بالتجربة والخطأ عن الدواء المناسب. يطرح هذا البحث سؤالًا بسيطًا لكنه قويًا: بدلاً من التخمين، هل يمكن للأطباء قراءة أنماط نشاط الدماغ لدى الشخص لتأكيد التشخيص والتنبؤ أيضًا بما إذا كان مضاد اكتئاب شائع سيجدي نفعًا؟

نظرة داخل الدماغ دون جراحة

ركز الباحثون على تخطيط كهربائية الدماغ، أو EEG، وهي تقنية عمرها قرن تسجّل الإيقاعات الكهربائية الطبيعية للدماغ باستخدام حسّاسات صغيرة موضوعة على فروة الرأس. يُستخدم EEG بالفعل في تشخيص الصرع واضطرابات النوم، وهو رخيص نسبيًا ومتوافر على نطاق واسع. ومع ذلك، نادرًا ما يُستخدم في الطب النفسي لتوجيه العلاج، رغم أن الاكتئاب ينشأ من تغيّرات في وظائف الدماغ. يرى المؤلفون أن هذا يترك الدماغ كـ «صندوق أسود» في الرعاية الروتينية: يلاحظ الأطباء أعراضًا مثل الحزن والتعب، لكنهم لا يقيسون عادةً ما يفعله الدماغ نفسه.

تعليم الحواسيب التعرف على أنماط الاكتئاب

لفتح ذلك الصندوق الأسود، لجأت الفريق إلى التعلم العميق، شكل من أشكال الذكاء الاصطناعي يجيد بشكل خاص اكتشاف الأنماط الدقيقة في البيانات المعقدة. جمعوا تسجيلات EEG أثناء الراحة من ست مجموعات مستقلة من المتطوّعين حول العالم: 146 شخصًا دون مرض نفسي حالي و203 مرضى بالاكتئاب الشديد. تمت معايرة كل التسجيلات لاستخدام عشرة مواقع حسّاس مشتركة فقط ومعدل عينة معتدل، بما يشبه ما يمكن تنفيذه عمليًا في العيادات اليومية. تُدرّب نموذج التعلم العميق على جزء من البيانات ثم يُختبر على تسجيلات دماغ لأشخاص لم «يرَها» من قبل، ما يضمن أنه يتعلم توقيعات دماغية عامة بدلًا من حفظ بيانات الأفراد.

من الإشارة إلى توقع العلاج

بعد التدريب، استطاع النموذج التمييز بين المرضى المكتئبين والمتطوّعين الأصحاء بدقة تقارب 68% على مستوى الأفراد، وليس مجرد مقاطع قصيرة من EEG. والأكثر لفتًا للانتباه، عندما طُلب من النظام التنبؤ أي المرضى المكتئبين سيستجيبون لفئة من مضادات الاكتئاب المستخدمة على نطاق واسع—مثبطات استرداد السيروتونين الانتقائية (SSRIs)—فصل المجيبون عن غير المجيبون بشكل صحيح بنحو 79% من الوقت. من الناحية التطبيقية، تشير المحاكاة إلى أن استخدام مثل هذه الأداة لتوجيه قرار بدء SSRI أو التحول إلى بديل قد يرفع معدل نجاح العلاج الأولي من نحو 50% إلى حوالي 70%. وهذا يعني قضاء عدد أقل بكثير من الأشخاص أسابيع على دواء لن يفيدهم.

ما الذي «يراه» الحاسوب في موجات الدماغ

انتقاد شائع للذكاء الاصطناعي الحديث أنه يمكن أن يكون صندوقًا أسود: يعطي تنبؤات لكنه لا يشرح الكيفية. هنا، تناول المؤلفون هذه المشكلة باستخدام طريقة تصوير تُدعى Grad‑CAM لتسليط الضوء على أجزاء EEG التي أثّرت أكثر على قرارات النموذج. وجدوا أن النشاط في ما يُعرف بشريط ألفا—إيقاعات دماغية لطيفة في نطاق 8–12 دورة في الثانية—فوق مناطق جبهية وجدارية محددة كان مهمًا بشكل خاص. وقد رُبطت هذه المناطق في أعمال سابقة بتنظيم العاطفة وبشبكات تكون مفرطة النشاط في الاكتئاب. كما قارن البحث نظام التعلم العميق بنهج أكثر تقليدية في التعلم الآلي وتصميم شبكة آخر مخصّص لـ EEG. أداء تلك النماذج الأبسط كان أسوأ بشكل ملحوظ، خاصة في التنبؤ باستجابة العلاج، مما يبرز أن نهج التعلم العميق الأوسع كان يلتقط بنية إضافية ذات صلة سريرية في الإشارات.

القيود، العقبات على أرض الواقع، والواعد

يحذّر المؤلفون من أن عملهم ليس منتجًا تشخيصيًا مكتملًا. على الرغم من اختبار النماذج على مرضى غير مرئيين من مراكز متعددة، إلا أن مجموعات البيانات اختلفت في تفاصيل مثل توقيت تقييمات الأعراض وتركيبات الأدوية، واستخدمت فقط عشرة حسّاسات EEG—وهي قليلة جدًا لتحديد مصادر دماغية دقيقة. الدقة، رغم أنها مشجعة، ليست مثالية، وتبقى أسئلة حول كيف قد تؤثر عوامل مثل الفروقات بين الجنسين والاضطرابات المصاحبة على الأنماط. ومع ذلك، تُظهر الدراسة أن تسجيلات EEG القصيرة والمنخفضة التكلفة يمكن أن تحمل معلومات كافية لتمكين الذكاء الاصطناعي من المساعدة المعنوية في كل من التشخيص واختيار العلاج.

ماذا قد يعني هذا للمرضى

بعبارة بسيطة، تقترح هذه الدراسة أن اختبارًا موجزًا ورخيصًا لموجات الدماغ تحلّله برنامج حاسوبي ذكي قد يساعد الأطباء على الانتقال من التخمين إلى رعاية مخصصة في الاكتئاب. من خلال تحديد علامات دماغية موضوعية تشير إلى وجود الاكتئاب الشديد وإلى احتمالية الاستجابة لمثبطات استرداد السيروتونين الانتقائية، يمكن لأدوات التعلم العميق المعتمدة على EEG أن تقصر وقت معاناة الناس على علاجات غير فعّالة وتخفف العبء العام عن المرضى والعائلات وأنظمة الرعاية الصحية. وبينما لا تزال هناك حاجة لدراسات أكبر وأكثر مواءمة قبل أن تصبح مثل هذه الأدوات روتينية، يرسم هذا العمل مسارًا واقعيًا لاستخدام قياسات دماغية يومية لمطابقة الشخص المناسب مع مضاد الاكتئاب المناسب في وقت أبكر.

الاستشهاد: Olbrich, S., Jaworska, N., de la Salle, S. et al. Deep learning using electroencephalogram (EEG) data for diagnosing and predicting SSRI response in major depressive disorder. Commun Med 6, 159 (2026). https://doi.org/10.1038/s43856-026-01394-z

الكلمات المفتاحية: الاضطراب الاكتئابي الشديد, تخطيط كهربائية الدماغ, التعلم العميق, استجابة مضادات الاكتئاب, الطب النفسي المخصص