🧬 biology

Validation design changes wearable stress-state classification performance in hospital nurses

تُظهر هذه الدراسة أنه بينما قد تُبدي مصنفات الإجهاد القائمة على الأجهزة القابلة للارتداء لممرضي المستشفيات دقة داخلية عالية، إلا أن أداءها يتدهور بشكل كبير عند تقييمها على أفراد غير مرئيين، مما يسلط الضوء على الحاجة الماسة للتحقق على مستوى المشاركين لضمان قابلية النقل قبل الاستخدام التشغيلي.

المؤلفون الأصليون: Fuat Kahraman, Gözde Özsezer, Gülengül Mermer

نُشر 2026-09-01

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fuat Kahraman, Gözde Özsezer, Gülengül Mermer

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل عالماً يمكن فيه لسوار معصم بسيط أن يخبر الممرضة متى أصبحت مجهدة لدرجة لا تسمح لها بالعمل بأمان، مما قد يمنع الاحتراق الوظيفي والأخطاء في مستشفى مزدحم. تعتمد هذه الفكرة على أجهزة استشعار قابلة للارتداء تتبع إشارات الجسم الدقيقة، مثل التغيرات في كيفية توصيل الجلد للكهرباء، ومعدل ضربات القلب، ودرجة حرارة الجلد. تلتقط هذه الأجهزة تدفقاً مستمراً من البيانات، وتقسمها إلى أجزاء صغيرة مدة كل منها دقيقة واحدة للبحث عن أنماط تشير إلى التوتر. والأمل هو أنه من خلال تعليم الكمبيوتر التعرف على هذه الأنماط، يمكننا إنشاء أداة تساعد العاملين في مجال الرعاية الصحية. ومع ذلك، يبقى سؤال جوهري قائماً: هل الكمبيوتر الذي يتعلم التعرف على التوتر في بيانات شخص واحد يعمل حقاً عندما يلتقي بشخص جديد تماماً؟

لقد بحثت دراسة حديثة أجراها الباحثون فوات كهرامان، وغوزدي أوزسيزر، وغولينغول ميرمر في هذه المشكلة تحديداً باستخدام بيانات من مجموعة من خمس عشرة ممرضة في مستشفى ارتدين هذه المستشعرات خلال فترة الجائحة. أراد الباحثون معرفة ما إذا كانت النتائج المثيرة للإعجاب التي تظهر غالباً في النماذج الحاسوبية كانت حقيقية أم أنها كانت مجرد نتيجة لحفظ النماذج للعادات الخاصة بالأشخاص الذين تدربت عليهم. لقد أخذوا مجموعة بيانات عامة تحتوي على أكثر من أحد عشر مليون ثانية من البيانات المسجلة واختبروا مدى قدرة خوارزميات حاسوبية مختلفة على تصنيف مستويات التوتر لدى الممرضات كمنخفضة، أو متوسطة، أو عالية. ركزت الدراسة على طريقتين مختلفتين لاختبار النماذج: إحدى الطريقتين حيث يرى الكمبيوتر بعض البيانات من ممرضة ما أثناء التدريب وبيانات أخرى من نفس الممرضة أثناء الاختبار، والطريقة الأخرى حيث يتم اختبار الكمبيوتر على ممرضة لم يسبق له رؤيتها من قبل.

كشفت النتائج عن فجوة مذهلة بين هاتين الطريقتين للاختبار. فعندما سُمح للكمبيوتر بالتعلم من ممرضة واحدة ثم اختباره على لحظات لاحقة من نفس الممرضة، حقق دقة شبه مثالية، حيث وصلت الدرجات إلى 0.990. وقد اقترح هذا أن النموذج كان بارعاً للغاية في المهمة. ومع ذلك، عندما غير الباحثون الاختبار لمعرفة ما إذا كان النموذج يمكنه التعامل مع ممرضة جديدة تماماً لم يواجهها من قبل، انخفض الأداء بشكل كبير. بالنسبة لأفضل النماذج أداءً، انخفضت الدقة من 0.948 إلى متوسط أقل بكثير بلغ 0.661. في الواقع، تباينت الدقة للممرضات الجديدات بشكل هائل، حيث تراوحت بين منخفضة جداً عند 0.32 ومرتفعة عند 0.90. وهذا يعني أنه بينما استطاع الكمبيوتر بسهولة التعرف على أنماط التوتر للأشخاص الذين درسهم، إلا أنه واجه صعوبة كبيرة في تطبيق تلك المعرفة على غريب. وجدت الدراسة أن النموذج اعتمد بشكل كبير على موصلية الجلد ودرجة حرارة الجلد لاتخاذ تخميناته، ولكن حتى مع وجود هذه الإشارات القوية، لم يستطع تعميم تعلمه على أفراد جدد.

كما نظر الباحثون عن كثب في كيفية إنشاء تسميات التوتر. لم تأتِ البيانات من طبيب يشخص التوتر؛ بل اقترحت خوارزمية لحظات التوتر العالي، وقامت الممرضات بمراجعة هذه الاقتراحات بأنفسهن بعد نوبات عملهن. تعني هذه العملية أن التسميات ربما تأثرت بنفس بيانات المستشعرات التي يحاول الكمبيوتر تعلمها، مما جعل من السهل على النموذج التخمين بشكل صحيح دون فهم الفسيولوجيا الكامنة وراء ذلك حقاً. ولأن الدراسة كانت محدودة بمجموعة صغيرة من الممرضات من مستشفى واحد خلال فترة زمنية محددة، ولأن النماذج الحاسوبية لم تُختبر في مستشفيات جديدة أو على مجموعات جديدة من الناس، فقد حذر المؤلفون من أن هذه الأدوات ليست جاهزة للاستخدام في العالم الحقيقي. وهم يؤكدون أن أرقام الدقة العالية من الاختبارات الداخلية يمكن أن تكون مضللة، وأنه قبل استخدام مثل هذا النظام لدعم طاقم المستشفى، يجب إثبات عمله بموثوقية على أشخاص لم يقابلهم من قبل، مع تقديم دليل واضح على أنه يساعد بدلاً من أن يضر.

أبحاث مشابهة