تحولت الأجهزة القابلة للارتداء مثل الساعات الذكية من مجرد أدوات بسيطة لتتبع اللياقة البدنية إلى أدوات قوية للمراقبة الصحية المستمرة، حيث توفر نافذة على إيقاعات الجسم التي كانت في السابق متاحة فقط في المستشفيات. تجمع هذه الأجهزة كميات هائلة من البيانات، مثل معدل ضربات القلب، ومراحل النوم، والحركة، مما يخلق جدولاً زمنياً مفصلاً للحالة الفسيولوجية للشخص. ومع ذلك، نادراً ما تكون هذه البيانات مثالية؛ فقد تفقد المستشعرات اتصالها بالجلد، أو تنفد البطاريات، أو ينقطع الاتصال، مما يترك فجوات في الجدول الزمني. وعندما تحدث هذه الفجوات، فإنها غالباً ما تحدث في مجموعات؛ فإذا فقد المستشعر اتصاله، فإنه يتوقف عن تسجيل قياسات متعددة في وقت واحد، بدلاً من مجرد تخطي رقم واحد هنا وهناك. ولتفسير هذه الصورة غير المكتملة، يستخدم العلماء نماذج حاسوبية لملء الأجزاء المفقودة، وهي عملية تسمى "الاستكمال" (imputation). وتعد جودة هذه القيم المستكملة أمراً بالغ الأهمية، لأنها تشكل الأساس لأي تنبؤات صحية مستقبلية، مثل التنبؤ بنوبة صرع أو اكتشاف عدوى. فإذا أخطأ النموذج في التخمين، فإن التحليل الصحي بأكل قد يكون معيباً.

لسنوات، اختبر الباحثون نماذج الملء هذه باستخدام طريقة تفترض أن البيانات المفقودة تحدث بشكل عشوائي، مثل قطرات المطر التي تسقط على نافذة. حيث كانوا يأخذون مجموعة بيانات كاملة، ويمسحون بعض النقاط عشوائياً، ويرون ما إذا كان بإمكان النموذج تخمينها مرة أخرى. ومع ذلك، فإن هذا النهج يفشل في عكس كيفية تعطل الأجهزة القابلة للارتداء في الواقع. ففي العالم الحقيقي، عندما يفقد المستشعر الاتصال، فإنه غالباً ما يترك فجوة طويلة ومتواصلة حيث تغيب العديد من القياسات المختلفة معاً. وتتحدى دراسة جديدة أجراها سكاي غودمان وزملاؤه في جامعة بريستول، وجامعة مانشستر، وجامعة برمنغهام، الطريقة القديمة للاختبار. ومن خلال تحليل البيانات من شخص مصاب بالصرع يرتدي ساعة "جارمين" (Garmin) الذكية، طور الباحثون بروتوكول اختبار جديد يحاكي هذه الفجوات المتجمعة والواقعية. ووجدوا أن الطريقة القياسية لاختبار النماذج كانت تخفي نقاط قوتها وضعفها الحقيقية، وأن مجرد تغيير كيفية تدريب واختبار النماذج يمكن أن يحسن أداءها بشكل كبير.

بدأ الباحثون بدراسة الأنماط المحددة للبيانات المفقودة في مجموعة البيانات الخاصة بهم. واكتشفوا أن المقاييس الصحية التسعة المختلفة التي تسجلها الساعة لم تكن تفشل بشكل مستقل، بل كانت مرتبطة ارتباطاً وثيقاً بالأجهزة التي تنتجها. فعلى سبيل المثال، تعتمد معدلات ضربات القلب، والفترات بين النبضات، ودرجات الإجهاد جميعها على مستشعر بصري في المعصم؛ وعندما يفقد هذا المستشعر الاتصال، تختفي كل تلك القياسات في آن واحد. وفي المقابل، تأتي عدد الخطوات من مستشعر مختلف، وهو مقياس التسارع (accelerometer)، الذي له أنماط فشله الخاصة. كما تباينت الفجوات بشكل كبير في طولها؛ فبعض الميزات لم تشهد سوى انقطاعات وجيزة للحظة واحدة، بينما عانت ميزات أخرى، مثل معدل ضربات القلب، من انقطاعات طويلة قد تستمر لساعات. أدرك الفريق أن طريقة اختبار موحدة واحدة لا يمكنها استيعاب هذا التعقيد، فأنشأوا نظام تقييم جديداً استخرج هذه الفجوات من العالم الحقيقي من بيانات التدريب، وصنفها حسب الطول إلى فئات: نموذجية، ومتوسطة، وشديدة، ثم حقنوا هذه الأنماط الدقيقة في بيانات الاختبار. وقد ضمن ذلك اختبار النماذج على نفس نوع الفجوات المتجمعة والصعبة التي ستواجهها في العالم الحقيقي.

وعندما طبق الباحثون هذا البروتوكول الواقعي، كانت النتائج مذهلة. فقد اختبروا نموذجين متقدمين من التعلم العميق، يُعرفان بـ BRITS وSAITS، وهما مصممان للتعامل مع البيانات الزمنية المعقدة. وتحت طريقة الاختبار العشوائية القديمة، بدا هذان النموذجان يعملان بشكل جيد معقول. ومع ذلك، عند اختبارهما مقابل الفجوات المتجمعة والواقعية، انخفض أداؤهما بشكل كبير، مما كشف عن كونهما مفرطين في الثقة. وأظهرت الدراسة أن النماذج قد تم تدريبها على بيانات حيث كانت القيم المفقودة مبعثرة عشوائياً، لذا لم تتعلم أبداً كيفية التعامل مع حالة اختفاء كتلة كاملة من البيانات. ولإصلاح ذلك، عدل الفريق عملية التدريب بحيث يتم تعريض النماذج لنفس نوع الفقدان الواقعي ذي النمط الكتلي أثناء مرحلة التعلم. وكان لهذا التغيير البسيط تأثير عميق: حيث انخفض معدل الخطأ في نموذج BRITS في سيناريوهات الفجوات الأكثر شدة بنسبة 43 بالمائة. لم يكن هذا التحسن مجرد تعديل طفيف، بل حول نموذجاً يعاني في ظل الظروف الواقعية إلى نموذج يعمل بقوة وثبات.

كما كشفت الدراسة أنه لا يوجد نموذج واحد هو الأفضل في كل شيء. ووجد الباحثون أن النهج الأفضل يعتمد كلياً على النوع المحدد من البيانات وطول الفجوة. فبالنسبة للميزات بطيئة الحركة، مثل عدد الخطوات اليومي أو درجة "بطارية الجسم" التي تتغير تدريجياً وببطء شديد، كانت الطريقة الكلاسيكية البسيطة المسماة "الاستيفاء الخطي" (linear interpolation) - والتي ترسم أساساً خطاً مستقيماً بين آخر نقطة معروفة والنقطة التالية - هي الأكثر دقة في كثير من الأحيان، خاصة للفجوات القصيرة. ومع ذلك، بالنسبة للإشارات الديناميكية سريعة التغير مثل معدل ضربات القلب، كانت نماذج التعلم العميق المتقدمة متفوقة بمراحل، لا سيما عندما تكون الفجوات طويلة. كما اكتشف الباحثون أن إضافة معلومات حول الوقت من اليوم وإيقاعات الجسم الطبيعية اليومية ساعدت النماذج على تقديم تخمينات أفضل عندما تكون البيانات مفقودة. وكان هذا صحيحاً بشكل خاص لنموذج BRITS، الذي شهد تحسينات كبيرة في دقة بيانات معدل ضربات القلب والنوم عند تضمين هذه القرائن الزمنية.

ومن المثير للاهتمام أن الدراسة سلطت الضوء على وجود مقايضة بين الدقة وشكل البيانات. فبينما كان أحد النماذج، وهو BRITS المطور، أفضل في تخمين القيمة الدقيقة لنقطة مفقودة، كان النموذج الآخر، SAITS، أفضل في الحفاظ على الشكل الإحصائي العام للبيانات. وهذا التمييز حيوي للتطبيقات الطبية؛ فالنموذج الذي يخمن القيمة المتوسطة قد يكون دقيقاً في المتوسط، ولكنه قد يفشل في رصد الأحداث النادرة والمتطرفة، مثل الارتفاع المفاجئ في معدل ضربات القلب الذي يسبق النوبة عادةً. ووجد الباحثون أن كلا النموذجين يميلان إلى تنعيم هذه النهايات المتطرفة، مما قد يخفي الإشارات التي يحتاجها الأطباء بشدة. وهذا يشير إلى أنه على الرغم من قوة هذه النماذج، إلا أنها لا تزال بحاجة إلى صقل لضمان عدم تفويت الشذوذات الحرجة المنقذة للحياة.

تحمل نتائج هذه الورقة رسالة واضحة لمستقبل تكنولوجيا الصحة القابلة للارتداء. إن الطريقة التي نختبر بها هذه النماذج لا تقل أهمية عن النماذج نفسها. فاستخدام طرق اختبار عشوائية وغير واقعية يعطي شعوراً زائفاً بالأمان ويخفي القدرات الحقيقية للتكنولوجيا. ومن خلال اعتماد بروتوكول يحاكي الواقع المشتت والمتجمع لكيفية تعطل المستشعرات، يمكن للباحثين تطوير استراتيجيات أفضل لملء الفجوات. وتخلص الدراسة إلى أنه لا يوجد نموذج واحد "أفضل" لكل المواقف؛ وبدلاً من ذلك، فإن النهج الأكثر فعالية سيكون على الأرجقت نظاماً هجيناً يختار الأداة المناسبة للمهمة المحددة، سواء كان ذلك خطاً بسيطاً للبيانات البطيئة أو شبكة عصبية معقدة للإشارات الديناميكية. وهذا التحول في المنظور، من البحث عن حل عالمي إلى فهم تفاصيل البيانات، يعد خطوة حاسمة نحو بناء أنظمة مراقبة صحية أكثر موثوقية وفعالية للمستقبل.