הערכת העברה בין מסדי נתונים ללמידת-מכונה לאמידת לחץ דם מבוססת פוטופליתריסמוגרפיה

מדוע לחץ דם ללא שרוול חשוב

לחץ דם גבוה הוא גורם מוביל להתקפי לב ושבצים, אך רוב האנשים בודקים אותו לעתים רחוקות בלבד באמצעות שרוול זרוע במרפאה. המחקר בוחן כיצד חיישנים לבישים ובינה מלאכותית יכולים לאמוד לחץ דם באופן רציף, ללא דחיסת הזרוע, על ידי למידה מבסיסי נתונים גדולים של בתי חולים ולאחר מכן התאמה למכשירים חדשים כגון שעונים חכמים. העבודה מתמודדת עם מכשול מרכזי: כיצד לגרום לאלגוריתמים שאומנו בסביבה אחת לפעול היטב גם כאשר החיישן והסביבה משתנים.

משרוולים לאיתור מבוסס אור

שרוולי מדידת לחץ דם מסורתיים אמינים אך מגושמים לשימוש תכוף. הם דורשים ניפוח עד לעצירת זרימת הדם לזמן קצר, עלולים להיות לא נוחים ותופסים רק מספר קריאות ביום. חלופה היא פוטופליתריסמוגרפיה (PPG), שמשתמשת במקור אור וגלאי קטנים, בדומה למכשירי דופק וחלק מהמכשירים הלבישים, כדי לקלוט שינויים זעירים בנפח הדם בכל פעימת לב. צורות גל המבוססות אור אלה נושאות מידע שקשור ללחץ הדם, ומעלות את האפשרות למעקב ללא שרוול שיכול לעבוד במהלך החיים היומיומיים, בבית או בתנועה.

ללמד אלגוריתם לקרוא גלי דופק

במקום לעצב רשימת תכונות מתמטיות ארוכה מ-signals של PPG בעבודת יד, החוקרים משתמשים במודל למידה עמוקה שלומד דפוסים ישירות מקטעי גל קצרים באורך חמש שניות. הם מתחילים ממבנה קיים שמשלב שכבות קונבולוציה (טובות בזיהוי צורות) עם שכבות חוזרת (טובות במעקב אחרי דפוסי זמן), ואז מצמצמים אותו כך שיש לו פחות מחצי ממספר הפרמטרים הניתנים לאימון במקור. רשת מקוצרת זו קלה יותר לאימון כאשר זמינות רק מספר שעות של נתונים לכל אדם, ועדיין תופסת את הקשרים המורכבים בין צורת גל הדופק ולחץ הדם.

להנגיש מודלים מאומנים בבתי חולים למקומות אחרים

מכשול מרכזי הוא ש-signals של PPG משתנים כאשר החומרה, אתר ההקלטה או הסביבה משתנים. הצוות בודק האם "למידת-העברה" יכולה לסייע. הם מאמנים תחילה את הרשת העצבית שלהם באמצעות נתונים מבסיס נתונים גדול של בית חולים, שבו למטופלים מוקלטים PPG בקצות האצבע ולחץ דם פולשני ברישום רציף. לאחר מכן הם מוּעדְנִים רק שכבות עמוקות נבחרות במודל עבור כל אדם חדש באמצעות כמות קטנה בהרבה של נתונים מבסיס נתונים שני, שנאסף בנפרד. תצורת חציית-מסדי נתונים זו מדמה מה שקורה בפועל, כאשר חברה עשויה להתחיל מנתוני בתי חולים ציבוריים ואז להתאים את המודל שלה למכשיר או למשתמש חדש עם הקלטות אישיות מוגבלות.

כמה טוב המודלים המותאמים עובדים

החוקרים משווים שלוש גישות: אימון מאפס על כל אדם, למידת-העברה בתוך אותו מסד נתונים, ולמידת-העברה בין מסדי נתונים. מתוך 200 מטופלים שנבחרו משני מאגרי נתונים גדולים, למידת-העברה חוצה-מסדי נתונים משפרת את השגיאה הממוצעת בכ-13 אחוז בהשוואה לאימון מאפס, ומשיגה בערך 3.4 מ"מ כספית בלחץ הסיסטולי ו-1.8 מ"מ כספית בלחץ הדיאסטולי. תוצאות אלה עומדות בקריטריונים בינלאומיים מרכזיים להערכת מכשירי לחץ דם. באופן חשוב, מודלים שהותאמו בין מסדי נתונים מתפקדים בתוך כ-1 אחוז מהמודלים שהותאמו בתוך אותו מסד נתונים, וההפרש הקטן אינו משמעותי מבחינה סטטיסטית. המחברים מראים גם שלמידת-העברה נותרת מועילה כאשר זמין מעט מאוד נתונים לכיוונון, ושעדיין משפרת דיוק כאשר מיושמת על מאגר נתונים קטן יותר שאסף נתונים מחוץ לבית חולים עם חיישנים שונים.

מה המשמעות לכך למעקב בריאות יומיומי

לעיני מי שאינו מומחה, הממצא הוא שאלגוריתם שאומן על מאגרי נתונים גדולים של בתי חולים יכול להיות "ממוחזר" ומותאם בעדינות לאנשים, מכשירים וסביבות חדשות, ללא צורך בניסויים קליניים עצומים בכל פעם. על ידי ניקוי זהיר של האותות, קיצוץ גודל המודל ועדכון רק השכבות המידעיות ביותר לכל משתמש, המחקר מראה שאמידת לחץ דם רציפה וללא שרוול מחיישני אור יכולה להגיע לרמות שגיאה התואמות לסטנדרטים קיימים. בעוד שדרוש עוד מחקר בתנאי חיים פעילים במציאות ובעבור חיישנים על פרק כף היד, אסטרטגיית למידת-העברה חוצה-מסדי נתונים מקרבת את מעקב לחץ הדם הלביש המעשי צעד נוסף קדימה.

ציטוט: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

מילות מפתח: לחץ דם ללא שרוול מדידה, פוטופליתריסמוגרפיה, מעקב בריאות לביש, למידה עמוקה, למידת-העברה