XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

إن النوم ليس مجرد وقفة في يومنا؛ بل هو عملية بيولوجية حيوية تستعيد أجسادنا وعقولنا. وعندما يضطرب هذا الراحة، يمكن أن تكون العواقب وخيمة، وتتراوح من التعب المزمن إلى حالات قلبية خطيرة. ومن أكثر الاضطرابات شيوعاً وخطورة هو انقطاع النفس الانسدادي أثناء النوم، وهو حالة يتوقف فيها تنفس الشخص بشكل متكرر ويبدأ من جديد أثناء الليل. ولعقود من الزمن، كانت الطريقة الوحيدة الموثوقة لتشخيص هذا الاضطراب هي اختبار معقد في المستشفى يسمى تخطيط النوم (polysomnography). تتضمن هذه العملية توصيل عشرات المستشعرات بجسم المريض لمراقبة موجات الدماغ، ونشاط العضلات، وإيقاعات القلب أثناء نومه. ورغم فعاليتها، إلا أن هذه العملية مرهقة ومكلفة، وغالباً ما تكون غير مريحة، مما يؤدي إلى وضع يعاني فيه الغالبية العظمى من المصابين بانقطاع النفس الانسدادي أثناء النوم من عدم التشخيص لأنهم لا يخضعون للاختبار أبداً.

ولحل هذه المشكلة، وجه الباحثون اهتمامهم إلى إشارة أبسط: تخطيط كهربائية القلب، أو (ECG)، الذي يسجل النشاط الكهربائي للقلب. فالقلب لا ينبض بإيقاع ثابت تماماً؛ إذ تتغير سرعته وقوته بشكل طفيف استجابةً للتنفس والوظائف الجسدية الأخرى. وفي حالات انقطاع النفس أثناء النوم، تتبع هذه التغيوهات الطفيفة نمطاً مميزاً يختلف عن النائمين الأصحاء. وكان التحدي يكمماً في تعليم الكمبيوتر التعرف على هذه الأنماط تلقائياً، دون الحاجة إلى خبير بشري يراجع ساعات من البيانات يدوياً. وتقترح دراسة جديدة من "بوليتكنيك نيجري باتام" في إندونيسيا حلاً يستخدم سلكاً واحداً لتسجيل ضربات القلب وأداة رياضية قوية لتفسير البيانات، مما يوفر مساراً محتملاً للفحص المنزلي البسيط لاضطرابات النوم.

بدأ الباحثون بجمع مجموعة كبيرة من تسجيلات القلب من قاعدة بيانات عامة، حيث تم تصنيف كل دقيقة من الإشارة بالفعل من قبل خبراء طبيين إما كـ "انقطاع نفس" أو "طبيعي". وقد ركزوا على التسجيلات التي تبلغ مدتها حوالي ست عشرة دقيقة، وهي مدة تم اختيارها لالتقاط تفاصيل سريرية كافية للتمييز بين الحالتين. وقبل أن يتمكن الكمبيوتر من التعلم من هذه البيانات، تعين على الفريق تنقية الإشارات. فتماماً كما يمكن أن تفسد صورة بسبب الغبار أو اهتزاز اليد، يمكن أن تتشوه تسجيلات القلب بسبب التداخل الكهربائي أو حركة جسم المريض. استخدم الفريق مرشحات رقمية لإزالة هذه الضوضاء غير المرغوب فيها، لضمان ظهور إيقاع القلب الحقيقي بوضوح وجلاء.

بمجرد تنقية الإشارات، واجه الباحثون مهمة ترجمة نبضات القلب الخام إلى لغة يمكن للكمبيوتر فهمها. وبدلاً من النظر إلى معدل ضربات القلب وحده، قاموا بتفكيك البيانات إلى ستة وعشرين خاصية مختلفة، أو "ميزات"، تصف شكل وسلوك الموجات الكهربائية للقلب. بعض هذه الميزات قاسلت الوقت بين ضربات القلب، بينما حللت أخرى استقرار الإيقاع بمرور الوقت. كما نظروا أيضاً في الشكل المحدد للقمة الرئيسية في الموجة الكهربائية للقلب، المعروفة باسم "مركب QRS"، حيث قاسوا ارتفاعها وعرضها. ولتحديد أنماط أكثر عمقاً، طبقوا تقنيات رياضية متقدمة فحصت كيفية تقلب إيقاع القلب عبر فترات قصيرة وطويلة، معتبرين الإشارة بنية معقدة ذاتية التشابه بدلاً من كونها مجرد خط بسيط. وقد ضمن هذا النهج متعدد الأوجه أن يمتلك الكمبيوتر صورة كاملة لسلوك القلب، وليس مجرد لقطة واحدة.

ومع تجهيز هذه الميزات، قام الفريق بتدريب خوارزمية تعلم آلي متطورة تُعرف باسم (XGBoost). فكر في هذه الخوارزمية كفريق من العديد من صانعي القرار البسيطين الذين يعملون معاً. ينظر كل عضو في الفريق إلى جزء صغير من البيانات ويقدم تخميناً حول ما إذا كان المريض يعاني من نوبة انقطاع نفس. ثم يجمع الفريق هذه التخمينات، مع تصحيح أخطاء الأعضاء السابقين، حتى يصلوا إلى نتيجة واحدة عالية الدقة. أمضى الباحثون وقتاً طويلاً في ضبط إعدادات هذه الخوارمة، وتعديل مدى عمق تحليلها للبيانات وسرعة تعلمها، لضمان أنها لم تكتفِ بمجرد حفظ أمثلة التدريب بل استطاعت حقاً التعرف على أنماط جديدة. كما اختبروا أي الميزات الست والعشرين العشرين كانت الأكثر أهمية، ووجدوا أن الوقت بين ضربات القلب والشكل المحدد للقمم الكهربائية كانا أكثر المؤشرات موثوقية.

كانت نتائج هذا النهج مذهلة. فعند اختبارها على بيانات لم ترها من قبل، حدد النظام حالات انقطاع النفس أثناء النوم بدقة بلغت 96.1%. وكان بارعاً بشكل استثنائي في استبعاد النائمين الأصحاء، حيث حقق درجة كاملة بلغت 100% في تحديد الأشخاص الذين لا يعانون من الاضطراب، بينما نجح في رصد 92.1% من حالات انقطاع النفس الفعلية. وعند مقارنته بالأساليب الشائعة الأخرى المستخدمة في الأبحاث الطبية، مثل الشبكات العصبية القياسية أو النماذج الإحصائية الأبسط، فقد تفوق هذا النظام المحسن عليها جميعاً. وتثبت الدراسة أنه من خلال الجمع بين التحليل التفصيلي لشكل وإيقاع القلب وخوارزمية تعلم قوية، يمكن اكتشاف اضطرابات النوم بمستوى من الدقة يضاهي الاختبارات المعقدة متعددة المستشعرات في المستشفيات. وهذا يشير إلى أنه في المستقبل القريب، يمكن لجهاز بسيط ذي سلك واحد أن يوفر خطوة أولى موثوقة لتشخيص انقطاع النفس أثناء النوم، مما يجعل العملية متاحة لعدد أكبر بكثير من الناس من أي وقت مضى.