Federated Model Optimization for Real-Time Big Data Analytics in Smart Drug Delivery Edge Devices

في المشهد الطبي الحديث، تحدث ثورة هادئة داخل الأجهزة التي تبقي المرضى على قيد الحياة. فنظم إعطاء الأدوية الذكية، مثل مضخات الأنسولين الآلية ومضخات الحقن، لم تعد مجرد موزعات ميكانيكية؛ بل هي تولد باستمرار تدفقات من البيانات حول معدل ضربات قلب المريض، ومستوى السكر في الدم، وعمر بطارية الجهاز نفسه. تقليديًا، ومن أجل فهم هذا الفيض من المعلومات، كانت المستشفيات ترسل كل هذه البيانات الخام إلى حاسوب مركزي ضخم في السحابة. وهناك، تقوم خوارزميات قوية بتحليل الأرقام لرصد الأخطاء الخطيرة أو التنبؤ بالوقت الذي قد يحتاج فيه المريض إلى تعديل الجرعة. ومع ذلك، فإن إرسال البيانات الطبية الحساسة عبر الإنترنت يخلق مشكلات كبيرة؛ إذ يستغرق انتقال البيانات وقتًا، مما قد يكون خطيرًا عندما تكون هناك حاجة لاتخاذ قرار في أجزاء من الثانية. كما أنها تستهلك الكثير من عرض النطاق الترددي (bandwidth)، وربما الأهم من ذلك، أنها تجبر المرضى على تسليم سجلاتهم الصحية الخاصة إلى خادم مركزي، مما يثير مخاوف جدية بشأن الخصوصية.

ولحل هذه المشكلة، توجه الباحثون إلى مفهوم يسمى "التعلم الاتحادي" (federated learning). تخيل فصلًا دراسيًا حيث يحل الطلاب لغزًا صعبًا. وبدلاً من أن يحضر الجميع قطعهم الفريدة إلى طاولة واحدة لبناء صورة واحدة ضخمة، يعمل كل طالب على قسمه الخاص من اللغز عند مكتبه. هم يشاركون فقط القواعد التي اكتشفوها حول كيفية تركيب القطع، وليس القطع نفسها. بهذه الطريقة، يتعلم الفريق بشكل جماعي دون أن يرى أي شخص العمل الخاص بزميله. يسمح هذا النهج للأجهزة الطبية بالتعلم من بعضها البعض وتحسين قدرتها على اكتشاف الحالات الشاذة، كل ذلك مع الحفاظ على سلامة بيانات المريض الفعلية على جهازه المحلي. ومع ذلك، حتى هذه الطريقة تواجه عقبات؛ فالأجهزة الطبية غالبًا ما تمتلك طاقة بطارية محدودة واتصالات إنترنت ضعيفة، والبيانات التي تنتجها قد تكون غير منظمة أو غير موثوقة، مما يجعل من الصعب تعليم النظام بفعالية دون إبطاء كل شيء.

قام فريق من الباحثين من جامعة بارول (Parul University) باقتراح طريقة جديدة لجعل هذا النظام يعمل بشكل أفضل، وتحديدًا لأجهزة إعطاء الأدوية الذكية. لقد طوروا إطار عمل يطلقون عليه اسم "التحسين الهرمي التكيفي القائم على الثقة" (Adaptive Trust-Driven Hierarchical Federated Optimization). الفكرة الجوهرية هي تعليم الشبكة ليس فقط التعلم، بل أن تكون ذكية بشأن من تستمع إليه وإلى مقدار المعلومات التي تطلبها. في النظام التقليدي، ترسل كل الأجهزة تحديثاتها إلى منسق مركزي، بغض النظر عما إذا كان هذا الجهاز يعمل بشكل مثالي أو إذا كانت مستشعراته تعاني من خلل. يغير هذا النهج الجديد تلك الديناميكية من خلال طرح سؤال بسيط أولاً: هل يمكننا الوثوق بهذا الجهاز؟ قبل أن يُسمح للجهاز بمشاركة تعلمه، يتحقق النظام من ثلاثة أشياء: مدى دقة تنبؤاته، ومدى استقرار مستشعراته، ومدى موثوقية اتصاله بالإنترنت. إذا كان لدى الجهاز اتصال متذبذب أو مستشعر ينحرف عن مساره، فإن النظام يمنحه "درجة ثقة" أقل.

بمجرد أن يعرف النظام الأجهزة الموثوقة، فإنه يطبق طبقة ثانية من الذكاء على البيانات التي ترسلها. فبدلاً من نقل كل تفصيل مما تعلمه الجهاز، يقوم النظام بتصفية المعلومات؛ حيث يحدد الدروس الأكثر أهمية ويستبعد الضجيج، ويقوم بضغط البيانات بحيث لا تنتقل سوى التحديثات الأساسية عبر الشبكة. هذا يشبه طالبًا يلخص فصلًا كاملاً من كتاب في جملة واحدة حاسمة قبل تسليمها للمعلم، بدلاً من إرسال الكتاب بأكمله عبر البريد. هذه العملية تقلل بشكل كبير من كمية البيانات التي يجب إرسالها، مما يوفر عمر البطارية وعرض النطاق الترددي للإنترنت. وأخيرًا، عندما يجمع النظام المركزي الدروس من جميع الأجهزة، فإنه لا يعاملها جميعًا بالتساوي؛ بل يعطي وزنًا أكبر للأجهزة ذات درجات الثقة العالية والبيانات الموثوقة، مما يضمن بناء النموذج العالمي النهائي على أقوى وأدق المعلومات المتاحة.

لاختبار ما إذا كانت هذه الفكرة ناجحة، أنشأ الباحثون بيئة محاكاة تحاكي شبكة واقعية من الأجهزة الطبية. استخدموا مجموعة بيانات تحتوي على خمسين ألف سجل من العلامات الحيوية للمرضى وأداء الأجهزة، بما في ذلك معدل ضربات القلب، ومستويات جلوكوز الدم، ومعدلات الحقن. قاموا بتقسيم هذه البيانات إلى حالات طبيعية وأحداث غير طبيعية، مثل تعطل المضخة أو تدهور حالة المريض بشكل غير متوقع. ثم قام الفريق بتشغيل نظامهم الجديد مقابل الطرق القديمة والمعيارية للتعلم الاتحادي. كانت النتائج واضحة؛ ففي هذه المحاكاة، حقق إطار العمل الجديد دقة تصنيف بلغت 97 بالمائة، مما يعني أنه حدد بشكل صحيح ما إذا كان حدث إعطاء الدواء طبيعيًا أو غير طبيعي في كل مرة تقريبًا. كان هذا تحسنًا ملحوظًا مقارنة بالطرق الأخرى المختبرة، والتي تراوحت بين 89 و93 بالمائة. علاوة على ذلك، كان النظام الجديد أكثر كفاءة بكثير، حيث قلل من كمية البيانات التي يجب نقلها بفارق كبير مع الحفاظ على أداء عالٍ.

كما بحثت الدراسة في كيفية سلوك النظام مع نمو الشبكة لتصبح أكبر وأكثر تعقيدًا. في سيناريو تتصل فيه عشرات الأجهزة بمستويات متفاوتة من سرعة الإنترنت وعمر البطارية، ظل الإطار الجديد مستقرًا. فقد نجح في تجاهل الإشارات المشوشة وغير الموثوقة من الأجهزة المتعثرة وركز على البيانات الواضحة وعالية الجودة من الأجهزة التي تعمل بشكل جيد. يشير هذا إلى أن النظام يمكنه التوسع للتعامل مع المستشفيات الكبيرة أو شبكات الرعاية المنزلية الواسعة دون الانهيار. وجد الباحثون أنه من خلال إعطاء الأولوية للموثوقية وضغط البيانات، استطاعوا إنشاء نظام يتسم بالسرعة الكافية لاتخاذ القرارات في الوقت الفعلي وبالأمان الكافي لحماية خصوصية المريض.

بينما تبدو النتائج واعدة، من المهم ملاحظة أن هذه النتائج تأتي من بيئة محاكاة. لم يختبر الباحثون هذا النظام بعد على مرضى حقيقيين في بيئة مستشفى حية. توضح الدراسة أن النموذج الرياضي يعمل كما هو مخطط له في ظروف خاضعة للرقابة، لكن النشر في العالم الحقيقي سيتطلب مزيدًا من التحقق. يقترح الفريق أن العمل المستقبلي قد يتضمن دمج هذه الأساليب مع تقنيات متقدمة أخرى، مثل "البلوكشين" (blockchain) لتوفير أمن أقوى، أو الذكاء الاصطناعي القابل للتفسير لمساعدة الأطباء على فهم سبب اتخاذ النظام لقرار معين. أما الآن، فإن هذا العمل يقدم مخططًا مقنعًا لكيفية عمل الجيل القادم من الأجهزة الطبية: التعلم معًا، واحترام الخصوصية، والعمل بسرعة ودقة، وكل ذلك دون الحاجة أبدًا لإرسال بيانات المريض الخاصة خارج منزله.