A Context-Aware Machine Learning Framework for Energy Anomaly Detection and Explainability in Hospital Equipment

تُعد المستشفيات من بين أكثر المباني استهلاكاً للطاقة على وجه الأرض، حيث تستهلك ثلاثة إلى خمسة أضعاف الطاقة لكل متر مربع مقارنة بالمكاتب التقليدية. ولا يقتصر الأمر على الإضاءة وتكييف الهواء فحسب؛ بل يتعلق بالآلات الحيوية التي لا تنام أبداً. فأنظمة التصوير المقطعي (CT)، ووحدات الرنين المغناطيسي (MRI)، ومجموعات أجهزة التنفس الاصطناعي تعمل باستمرار، ويُفترض أن يكون استهلاكها للطاقة ثابتاً ويمكن التنبؤ به. ومع ذلك، عندما تتعرض هذه الآلات لأعطال، فإنها غالباً ما ترسل إشارات كهربائية خفية قبل أن تتوقف عن العمل تماماً. إن رصد هذه الإشارات مبكراً يمكن أن يمنع تعطل المعدات، ويوفر المال، والأهم من ذلك، يحافظ على سلامة المرضى. لقد كان التحدي الذي يواجه مهندسي المرافق دائماً هو التمييز بين التحذير الحقيقي والتقلب الطبيعي. فقد يعني ارتفاع مفاجئ في الطاقة أن الضاغط (الكمبروسر) على وشك الفشل، أو قد يعني ببساطة أن قسم الأشعة مزدحم بضغط المرضب الصباحي. الأنظمة التقليدية التي تعتمد على قواعد ثابتة غالباً ما تخطئ في ذلك، فتطلق إنذارات لأحداث طبيعية وتغفل عن الانحرافات البطيئة والخطيرة التي تحدث ضمن الحدود "الآمنة". هذا الضجيج المستمر يؤدي إلى "إجهاد التنبيه"، حيث يتجاهل المهندسون التحذيرات في نهاية المطاف.

لقد طور فريق من الباحثين طريقة جديدة لحل هذه المشكلة من خلال تعليم الحواسيب فهم سياق الطاقة التي تراقبها. فبدلاً من النظر إلى أرقام الطاقة بمعزل عن غيرها، يأخذ نظامهم في الاعتبار الموقف المحدد: أي قسم يستخدم الطاقة، وما هو الوقت من اليوم، وما هي نوبة عمل الموظفين، وحتى حالة الطقس في الخارج. ومن خلال الجمع بين نوعين مختلفين من نماذج تعلم الآلة، أنشأ الباحثون إطار عمل يقوم أولاً برصد الأنماط غير العادية ثم يتحقق مما إذا كانت تلك الأنماط منطقية بالنسبة للوضع الحالي. فإذا حدث ارتفاع في الطاقة خلال نوبة صباحية مزدحمة في جناح الأشعة، يتعرف النظام على أنه سلوك طبيعي ويبقى صامتاً. أما إذا حدث ذلك الارتفاع نفسه في الساعة الثالثة صباحاً في جناح فارغ، فإن النظام يرفع العلم فوراً. وقد صُمم هذا النهج ليكون سريعاً بما يكفي للعمل على أجهزة كمبيوتر صغيرة محلية متصلة بالمعدات، مما يعني أنه يمكنه العمل حتى لو انقطع اتصال الإنترنت في المستشفى.

اختبر الباحثون طريقتهم باستخدام مجموعتين مختلفتين من البيانات. جاءت إحداهما من سجلات الطاقة لمبنى حقيقي من عام 2016، والتي أظهرت أنماطاً يومية طبيعية وضجيجاً. أما الأخرى، فكانت عبارة عن محاكاة حاسوبية مفصلة لمعدات المستشفى من عامي 2025 و2026، تغطي خمسة عشر نوعاً مختلفاً من الآلات موزعة على أربعة أقسام. تضمنت هذه البيانات الاصطناعية أمثلة محددة ومصنفة لأربعة أنواع من المشكلات: الارتفاعات المفاجئة في الطاقة، والانخفاضات غير المتوقعة، والتغيرات التدريجية البطيئة، والتذبذبات غير المنتظمة. وعندما قارنوا نظامهم الجديد بخمس طرق شائعة أخرى، بما في ذلك نماذج التعلم العميق المعقدة التي تتطلب بطاقات رسوميات قوية للتشغيل، جاء نهجهم في المقدمة. فقد حدد الشذوذ بدقة 92% من المرات مع إبقاء الإنذارات الكاذبة عند 8% فقط. وفي المقابل، أنتجت الأنظمة القائمة على القواعد التي يستخدمها مديرو المرافق حالياً إنذارات كاذبة بنسبة 37% من المرات، وحتى نماذج التعلم العميق المتقدمة واجهت صعوبة في النزول تحت نسبة 10% من الإنذارات الكاذبة.

إن ما يجعل هذا العمل قيماً بشكل خاص للمستشفيات ليس دقته فحسب، بل قدرته على شرح نفسه. فالعديد من أنظمة الذكاء الاصطناعي الحديثة تعمل كـ "صناديق سوداء"، حيث تعطي إجابة دون توضيح السبب. وفي بيئة طبية منظمة، يحتاج المهندسون إلى معرفة سبب إطلاق الإنذار قبل اتخاذ أي إجراء. لذا أضاف الباحثون طبقة إلى نظامهم تقوم بتفكيك كل تنبيه إلى العوامل المساهمة فيه. يمكن للنظام أن يخبر المهندس أن تحذيراً قد صدر لأن استهلاك الطاقة كان مرتفعاً بشكل غير عادي لمجموعة أجهزة تنفس اصطناعي خلال نوبة ليلية، بدلاً من مجرد قول "هناك خطأ ما". هذا الوضوح مبني على أساس رياضي يضمن أن النظام لن ينشئ أبداً إنذارات كاذبة أكثر من الكاشف القياسي؛ بل يمكنه فقط تقليلها عن طريق تصفية الأحداث التي تُعد طبيعية للسياق المحدد.

يعمل النظام أولاً باستخدام طريقة تعزل نقاط البيانات غير العادية، تماماً مثل البحث عن إبرة في كومة قش من خلال البحث عن الأشياء المختلفة عن البقية. بعد ذلك، يمرر هذه المشكلات المحتملة إلى مرحلة ثانية تصنف نوع المشكلة. وأخيراً، يتدخل مرشح السياق للتحقق من الموقف. فإذا وقعت البيانات ضمن النطاق الطبيعي لذلك القسم والوقت من اليوم، يتم إلغاء الإنذار. وقد أثبت الباحثون رياضياً أن عملية التصفية هذه لا يمكن أن تزيد من معدل الإنذارات الكاذبة؛ بل يمكنها فقط تقليلها أو إبقاؤها كما هي. وفي اختباراتهم على بيانات المباني الحقيقية، نجح هذا المرشح في إزالة أحد عشر إنذاراً كاذباً كان سيتم إطلاقه بسبب ارتفاع أحمال النهار المشروعة، بينما ظل قادراً على رصد الارتفاعات الحادة والحقيقية التي تشير إلى مشكلة فعلية.

السرعة هي عامل حاسم آخر لهذه التكنولوجيا. فقد قاس الباحثون الوقت الذي يستغرقه نظامهم لمعالجة نقطة بيانات واحدة ووجدوا أنه يستغرق أقل من جزء من ألف من الثانية. هذه السرعة التي تقل عن الميلي ثانية تعني أن النظام يمكنه العمل على أجهزة صغيرة وغير مكلفة مثل "Raspberry Pi" أو "Jetson Nano"، والتي تُستخدم غالباً في إعدادات الحوسبة الطرفية (Edge Computing). وهذا يسمح للمستشفيات بمراقبة معداتها محلياً دون الحاجة إلى إرسال بيانات حساسة إلى السحابة، وهي ميزة حيوية للمرافق ذات سياسات الشبكة الصارمة. كما يتسع النظام بأكمله في مساحة ذاكرة ضئيلة تبلغ 47 ميجابايت، مما يجعل نشره ممكناً على أي بوابة (Gateway) موجودة في المستشفى.

كما درست الدراسة أي الميزات كانت الأكثر أهمية عندما قرر النظام حدوث شذوذ. ووجدت أن الإحصاءات المتحركة لاستخدام الطاقة — مثل المتوسط والحد الأدنى والحد الأقصى للقيم عبر نافذة زمنية قصيرة — كانت أقوى المؤشرات على وجود مشكلة. ومع ذلك، لعبت ميزات السياق، مثل نوع القسم وجدول النوبات، دوراً كبيراً في صقل القرار. فعلى سبيل المثال، تعلم النظام أن نوعاً معيناً من انخفاض الطاقة هو علامة شائعة للفشل في معدات دعم الحياة مثل أجهزة التنفس الاصطناعي، ولكن ليس في الآلات الأخرى. ومن خلال فهم هذه الفوارق الدقيقة، استطاع النظام تصنيف المشكلة بشكل صحيح، وإخبار المهندسين ما إذا كانوا يتعاملون مع ارتفاع مفاجئ، أو انحراف تدريجي، أو تذبذب.

ورغم أن النتائج واعدة، إلا أن الباحثين يقرون بأن عملهم له حدود. يعتمد النظام الحالي على البيانات التاريخية لتحديد ما هو "طبيعي" لكل سياق. فإذا أضاف مستشفى معدات جديدة أو أعاد تنظيم جناح ما، فسيحتاج النظام إلى إعادة معايرة لتعلم الأنماط الجديدة. وسيركز العمل المستقبلي على جعل النظام قابلاً للتكيف بحيث يتعلم هذه التغييرات تلقائياً أثناء حدوثها. بالإضافة إلى ذلك، فإن البيانات الاصطناعية المستخدمة في الاختبار، رغم تصميمها بعناية لمحاكاة ظروف العالم الحقيقي، قد لا تستوعب كل التقلبات التشغيلية الممكنة في مستشفى حقيقي. ويخطط الباحثون للتحقق من إطار عملهم عبر عمليات نشر متعددة في مستشفيات حقيقية لضمان صموده أمام التعقيد الكامل للعمليات اليومية.

في نهاية المطاف، يمثل إطار العمل هذا تحولاً نحو إدارة طاقة موثوقة وقابلة للتفسير في مجال الرعاية الصحية. فهو يتجاوز مجرد المراقبة البسيطة ليوفر ذكاءً قابلاً للتنفيذ يمكن للمهندسين فهمه والوثوق به. ومن خلال الجمع بين الدقة الرياضية والسرعة العملية والتفسيرات الواضحة، يوفر النظام وسيلة لتقليل عبء الإنذارات الكاذبة مع ضمان رصد التهديدات الحقيقية للمعدات وسلامة المرضى في وقت مبكر. ويثبت هذا العمل أنه في البيئات عالية المخاطر مثل المستشفيات، ليست التكنولوجيا الأفضل هي الأذكى فحسب، بل هي الأكثر شفافية وموثوقية.