Predicting Multiple Clinical Outcomes Related to Functional Recovery and Social Isolation Among Older Adults After Lower-Limb Fracture or Hip Replacement
تُظهر هذه الدراسة أن نموذج التعلم العميق متعدد المخرجات (NODE)، الذي يستفيد من بيانات الاستشعار متعددة الأنماط من مجموعة بيانات MAISON-LLF، يتفوق على النهج أحادي المخرج في التنبؤ المتزامن بخمس نتائج سريرية تتعلق بالتعافي الوظيفي والعزلة الاجتماعية لكبار السن الذين يتعافون من كسور الأطراف السفلية أو استبدال مفصل الورك.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
عندما يتعافى كبار السن من كسر في الورك أو كسر في الساق، فإن المسار نحو استعادة الصحة الكاملة نادرًا ما يكون خطًا مستقيمًا. إنها رحلة معقدة حيث تتشابك القوة البدنية، والقدرة على المشي، والرغبة في التواصل مع الآخرين بشكل عميق. لعقود من الزمن، درس الأطباء والباحثون هذه الجوانب بشكل منفصل، حيث قاسوا مدى قدرة المريض على النهوض من الكرسي أو عدد مرات خروجه من منزله كما لو كانت أحداثًا غير مرتبطة ببعضها البعض. ومع ذلك، فإن واقع التعافي يشير إلى أن التراجع في القدرة على الحركة غالبًا ما يؤدي إلى العزلة، والشعور بالعزلة يمكن أن يجعل التعافي الجسدي أصعب. إن فهم هذا الارتباط أمر حيوي لأنه يغير طريقة رعايتنا للناس بعد الجراحة. فبدلاً من انتظار زيارة المريض للعيادة كل بضعة أسكاب، توفر التكنولوجيا الحديثة الآن وسيلة للاستماع إلى حياتهم اليومية من خلال مستشعرات صغيرة غير مزعجة تتبع الحركة، ومعدل ضربات القلب، وأنماط النوم مباشرة في منازلهم.
لقد وضع فريق من الباحثين هدفًا متمثلًا في معرفة ما إذا كان بإمكانهم استخدام هذا التدفق من البيانات اليومية للتنبؤ بحالة تعافي المريض بدقة أكبر من خلال النظر إلى جميع قطع اللغز في وقت واحد. عملوا مع مجموعة مكونة من ثمانية عشر شخصًا من كبار السن الذين خضعوا مؤخرًا لجراحة في الأطراف السفلية أو استبدال مفصل الورك. تم مراقبة هؤلاء المشاركين لمدة تصل إلى ثصبة أسابيع أثناء تعافيهم في مجتمعاتهم. خلال هذا الوقت، ارتدى المشاركون ساعات ذكية ووُضعت مستشعرات في منازلهم لتسجيل كل شيء، بدءًا من عدد الخطوات التي قطعوها والمسافة التي سافروها خارج المنزل، وصولًا إلى جودة نومهم ومعدل ضربات قلبهم أثناء الراحة. وكل أسبوعين، أكمل المشاركون أيضًا اختبارات طبية معيارية لقياس مستوى الألم لديهم، وقدرتهم على الحركة، ومستوى تفاعلهم الاجتماعي. جمع الباحثون أكثر من ألف يوم من بيانات المستشعرات المستمرة، مما خلق صورة غنية لكيفية عيش هؤلاء الأفراد وتحركهم أثناء فترة تعافيهم.
كان جوهر الدراسة هو سؤال حول المنهجية: هل من الأفضل التنبؤ بكل نتيجة صحية على حدة، أم التنبؤ بها جميعًا معًا؟ بنى الباحثون نماذج حاسوبية للتنبؤ بخمسة مقاييس مختلفة: مقدار الألم الذي يشعر به المريض في وركه أو ركبته، ومدى سرعة نهوضه والمشي لمسافة قصيرة، وقوة عضلات ساقه، ومدى شعوره بالعزلة الاجتماعية. واختبروا نهجين. في النهج الأول، حاول الحاسوب تخمين كل رقم من هذه الأرقام الخمسة واحدًا تلو الآخر، متجاهلاً الأرقام الأخرى. وفي النهج الثاني، طُلب من الحاسوب تخمين الأرقام الخمسة جميعها في وقت واحد، مما سميز له بالتعلم كيف يمكن أن تؤثر على بعضها البعض. كانت النتائج واضحة: النماذج التي نظرت إلى الصورة الكاملة كان أداؤها أفضل بشكل ملحوظ. فمن خلال مراعاة العلاقات بين القدرة البدنية والحياة الاجتماعية في آن واحد، حققت النماذج الحاسوبية تنبؤات أكثر دقة مما لو حاولت حل كل مشكلة بمعزل عن الأخرى.
من بين مختلف النماذج الحاسوبية التي تم اختبارها، برز نوع محدد من أنظمة التعلم العميق المصممة للبيانات الجدولية كأكثرها فعالية. هذا النموذج، الذي يسميه الباحثون "الشبكة العصبية"، كان قادرًا على إيجية أنماط دقيقة في البيانات فاتتها الطرق التقليدية. وعندما تنبأ هذا النموذج بجميع النتائج معًا، كانت أخطاؤه أقل بك بشكل كبير مما كانت عليه عندما تنبأ بها بشكل منفصل. على سبيل المثال، عند محاولة تخمين كيفية تسجيل المريض في اختبار لقدرته على الوقوف والتحرك بشكل متكرر، كان النموذج الذي نظر إلى جميع البيانات في وقت واحد أكثر دقة بكثير. كما وجدت الدراسة أن النماذج كانت قوية بما يكفي لتعمل حتى عند اختبارها على أشخاص لم يسبق لها رؤيتهم من قبل، مما يشير إلى أن هذا النهج قد يكون مفيدًا للمرضى الجدد في المستقبل.
ربما لم يكن الاكتشاف الأكثر إثارة للدهشة هو مجرد نجاح النماذج في العمل، بل ما قررت النماذج أنه مهم. فعندما طلب الباحثون من الحاسوب شرح أي قطع من البيانات كانت أكثر أهمية، وجدوا أن توقيت أنشطة الشخص كان أكثر دلالة من إجمالي النشاط. فمعرفة الوقت المحدد من اليوم الذي وصل فيه الشخص إلى ذروة حركته كان تنبؤًا أقوى بصحته من مجرد عد الخطوات التي قطعها في اليوم. وبالمثل، كانت التفاصيل المتعلقة بالنوم، مثل المدة التي استغرقها للوقوع في النوم أو مقدار النوم العميق الذي حصل عليه، أمورًا حاسمة. وفي المقابل، كانت المسافة الإجمالية التي قطعها الشخص خارج منزله واحدة من أقل العوامل أهمية. وهذا منطقي بالنظر إلى أن معظم المشاركين في الدراسة قضوا الغالبية العظمى من وقتهم داخل منازلهم؛ فالحقيقة البسيطة المتمثلة في بقائهم في المنزل كانت أقل إفادة من إيقاع حركاتهم اليومية وجودة راحتهم.
كما سلطت الدراسة الضوء على حدود النظر إلى البيانات بطريقة واحدة. أشار الباحثون إلى أنه بينما كانت النماذج الحاسوبية ممتازة في إيجاد الأنماط، إلا أن المجموعة التي درسوها كانت صغيرة ومعظمها من الإناث، مما يعني أن النتائج تحتاج إلى اختبارها على مجموعات أكبر وأكثر تنوعًا قبل تطبيقها على نطاق واسع. بالإضافة إلى ذلك، جاءت البيانات من منطقة ذات مواسم متميزة، وكان قسوة الشتاء يمكن أن تؤثر على مقدار حركة الناس. ورغم هذه القيود، فإن العمل يوضح تحولًا قويًا في كيفية مراقبة التعافي. فمن خلال معاملة التعافي البدني والمشاركة الاجتماعية كجزء من قصة واحدة متصلة بدلاً من فصول منفصلة، توفر هذه الأدوات وسيلة لرؤية الصورة الكاملة لصحة المريض. ويمكن لهذه الرؤية الشاملة أن تساعد مقدمي الرعاية والأطباء في نهاية المطاف على رصد العلامات المبكرة للمتاعب، مما يسمح لهم بالتدخل في وقت مبكر ومساعدة كبار السن على استعادة استقلاليتهم واتصالهم بالعالم من حولهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.