تمكين التنبؤ بمؤشر كاحل-عضد من أصوات دوبلر باستخدام التعلم العميق

لماذا يهم تدفّق الدم في الساقين

يعيش ملايين الأشخاص حول العالم مع ضعف تدفّق الدم إلى الساقين، وهو حالة تُسمى مرض الشرايين الطرفية. عندما تضيق أو تتصلب شرايين الساق، قد يصبح المشي مؤلماً وقد لا تلتئم الجروح، ما يؤدي أحياناً إلى بتر. لدى الأطباء اختبار بسيط، هو مؤشر كاحل-عضد، يقارن ضغط الدم عند الكاحل والذراع لكشف المشكلات مبكراً. لكن هذا الاختبار بطيء ويتطلب معدات خاصة، وغالباً ما يفشل لدى الأشخاص الذين تكون شرايين ساقيهم جامدة جداً بحيث لا تستطيع الانضغاط — لا سيما المصابون بالسكري أو أمراض الكلى. تستقصي هذه الدراسة ما إذا كان يمكن لبرنامج حاسوبي أن يستمع إلى الأصوات المألوفة للاندفاع الدموي من جهاز دوبلر محمول وينبئ فورياً بمدى وصول الدم إلى القدم.

من الأصوات الهادمة إلى درجة المخاطر

أنشأ الباحثون نظاماً سمّوه AutoABI. بدلاً من لف عدة أكمام ضغط حول أطراف المريض، يستخدم الطبيب مسبار دوبلر محمولاً قياسياً عند الكاحل، كما يفعل في الممارسة اليومية. يلتقط المسبار صوت اندفاع الدم داخل الشريان. سُجلت هذه الأصوات في مقاطع قصيرة مدتها أربع ثوانٍ من ما يقرب من 800 اختبار على 198 مريضاً أحيلوا إلى مختبر الأوعية الدموية بالمستشفى بسبب مخاوف مثل مرض شرايين الساق أو مشاكل الدورة الدموية المرتبطة بالسكري. كان الهدف معرفة ما إذا كان برنامج حاسوبي يستطيع تصنيف كل تسجيل إلى واحدة من أربع نطاقات لمؤشر كاحل-عضد، من تدفّق دم ضعيف جداً إلى طبيعي بوضوح.

تعليم الحاسوب أن يستمع كأخصائي

لجعل الصوت مفهوماً للحاسوب، قَسّم الفريق أولاً كل تسجيل إلى مقتطفات لمدة ثانية واحدة التقطت نبضات قلب فردية. ثم حوّلوا كل مقتطف إلى صورة ملونة تُدعى طيفية (spectrogram)، تُظهر كيف يتغير طاقة الصوت عبر الزمن والتردد. أُدخلت هذه الصور إلى نماذج تعلم عميق تُعرف بالشبكات العصبية الالتفافية. تعلّمت النماذج، المبنية على إصدارَين من تصميم شائع لتحليل الصور يُدعى ResNet، التعرف على أنماط في أصوات الدوبلر تتوافق مع فئات مؤشر كاحل-عضد ذات الأهمية السريرية. قسم الباحثون البيانات بعناية بحيث لا تظهر أصوات المريض نفسه في مجموعتي التدريب والاختبار معاً، مما ساعد على ضمان أن يتعلم النظام قواعد عامة بدلاً من حفظ حالات محددة.

مدى أداء النظام

بعد التدريب، أظهر AutoABI قدرة قوية على التمييز بين فئات تدفّق الدم الأربع. بالنسبة لكلا الإصدارين من النموذج، فصل النظام بشكل صحيح بين الدورة الدموية الطبيعية والمرض بدقة مرتفعة جداً، قِيست باستخدام إحصاءات معيارية مثل المساحة تحت منحنى خاصية التشغيل المستقبلية (ROC)، التي اقتربت أو تجاوزت 0.95 لكل الفئات. حدثت معظم الأخطاء عند الحدود الضبابية بين «قريب من الطبيعي» وتدفّق دم منخفض طفيف، حيث قد يختلف الخبراء البشر بصرياً أو سمعياً. من المهم أنه عندما طبّق الفريق النظام على مجموعة صغيرة من المرضى المصابين بالسكري الذين كانت شرايين ساقهم غير قابلة للانضغاط بالقياس التقليدي لمؤشر كاحل-عضد، تطابقت توقعات النموذج مع توقعات الخبراء بناءً على شكل موجات الدوبلر في جميع الحالات العشر.

ماذا قد يعني هذا في العيادة

قارن المؤلفون نهجهم بأجهزة تجارية أوتوماتيكية لقياس مؤشر كاحل-عضد التي لا تزال تعتمد على عدة أكمام وقراءات ضغط. هذه الأجهزة سريعة لكنها تشترك في نفس نقطة الضعف: لا تعمل جيداً عندما تكون الشرايين صلبة ولا يمكن ضغطها. بالمقابل، يحتاج AutoABI فقط إلى دوبلر محمول متاح على نطاق واسع وجهاز قادر على تشغيل نموذج التعلم العميق، مثل هاتف ذكي. يضحي النظام بالقيم الرقمية الدقيقة مقابل نطاقات أوسع، لكنه بالمقابل يمكن أن يوفر إرشاداً سريعاً وموضوعياً بجانب المريض، في غرف الطوارئ، أو في عيادات تفتقر إلى مختبر أوعية كامل. قد يكون النظام مفيداً بشكل خاص في البيئات محدودة الموارد وللمرضى ذوي المخاطر العالية حيث تكون القياسات التقليدية غير موثوقة.

الخطوات التالية نحو الاستخدام في العالم الواقعي

الدراسة هي إثبات مفهوم مبكر، ويؤكد المؤلفون حدودها. كانت مجموعة البيانات، رغم جمعها بعناية، متواضعة الحجم، وكان عدد الأوعية غير القابلة للانضغاط صغيراً جداً. اعتمدت جودة التسجيلات على كيفية إمساك التقني بالمسبار وعلى الضوضاء الخلفية، ولم يُختبر النظام بعد عبر علامات تجارية مختلفة من أجهزة الدوبلر أو في بيئات العيادات الخارجية المزدحمة. سيحتاج العمل المستقبلي إلى مجموعات مرضى أكبر وأكثر تنوعاً، وإدراج التاريخ الطبي، ورصدًا مستمراً للحماية من الانحياز وتراجع الأداء. ومع ذلك، تشير النتائج إلى أن تعليم الحواسيب «الاستماع» لتدفّق الدم قد يجعل فحص دوران الساقين أسرع وأرخص وأكثر توفراً — مع إمكانية اكتشاف أمراض وعائية خطيرة قبل أن تؤدي إلى مضاعفات تغير الحياة.

الاستشهاد: Rao, A., Battenfield, K., Fereydooni, A. et al. Enabling ankle-brachial index prediction from doppler sounds using deep learning. npj Cardiovasc Health 3, 21 (2026). https://doi.org/10.1038/s44325-026-00116-7

الكلمات المفتاحية: مرض الشرايين الطرفية, مؤشر كاحل-عضد, الموجات فوق الصوتية دوبلر, التعلّم العميق, تروية الأطراف