🧬 الأحياء

Cycle-phase supervision improves transferable physiological representations from wearable data for women's health

تقدم الورقة البحثية إطار عمل CHARM، الذي يستفيد من الإشراف على مراحل الدورة الشهرية جنباً إلى جنب مع إعادة بناء الإشارة لتعلم تمثيلات فسيولوجية قابلة للنقل من بيانات الأجهزة القابلة للارتداء، مما يتيح تعميماً دقيقاً لحالات تناسلية متنوعة مثل مرحلة ما قبل انقطاع الطمث وانقطاع الطمث بعدد أقل بكثير من الملصقات.

المؤلفون الأصليون: Rocio Mexia Diaz, Faraaz Akhtar, Cameron Crawford, Alistair Brownlee, Kyriakos Eleftheriou

نُشر 2026-11-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rocio Mexia Diaz, Faraaz Akhtar, Cameron Crawford, Alistair Brownlee, Kyriakos Eleftheriou

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

يعمل جسم الإنسان وفق ساعة داخلية معقدة، وهي نظام من الإشارات الكيميائية التي تنسق كل شيء من النوم إلى النمو. وبالنسبة للنساء، يعد أحد أهم هذه الإيقاعات هو الدورة الشهرية، وهي تدفق وجزر شهري مدفوع بالهرمونات التي تهيئ الجسم لاحتمالية الحمل. ورغم أنه لا يمكن رؤية هذه الهرمونات، إلا أنها تترك آثار أقدام جسدية متميزة؛ فهي تسبب تحولات طفيفة في درجة حرارة الجسم، وتغير سرعة ضربات القلب، وتغير إيقاع التنفس. وفي السنوات الأخيرة، أصبحت الأجهزة الصغيرة التي تُرتدى على الإصبع أو المعصم حساسة بما يكفي لتتبع هذه التغيرات الليلية، مما يوفر نافذة على الصحة الإنجابية للمرأة دون الحاجة إلى فحوصات الدم أو الإجراءات الجراحية. ومع ذلك، ظل تحويل هذه الأرقام الخام إلى صورة واضحة لما يحدث داخل الجسم تحديًا صعبًا، خاصة عند محاولة فهم المراحل العمرية المختلفة مثل الحمل أو الانتقال إلى مرحلة انقطاع الطمث، والتي غالبًا ما تبدو مختلفة تمامًا عن الدورة الشهرية المعتادة.

لقد طور الباحثون في "تيرا إينبلينج ديفيلوبرز" (Terra Enabling Developers) طريقة جديدة لتعليم الحواسيب كيفية قراءة هذه الإشارات الفسيولوجية، حيث أنشأوا نظامًا يفهم القصة الهرمونية الكامنة وراءها بدلاً من مجرد حفظ الأنماط. لقد بنوا إطار عمل يسمى "شارم" (CHARM)، وهو اختصار لـ "التمثيل الدوري المدرك للهرمونات في الدورة الشهرية" (Cyclic Hormone-Aware Representation of the Menstrual cycle). وبدلاً من تدريب برامج حاسوبية منفصلة لكل حالة إنجابية مختلفة — مثل الحمل، أو انقطاع الططمث، أو استخدام حبوب منع الحمل — علم الفريق نموذجًا واحدًا التعرف على الإيقاع الأساسي للدورة الشهرية. وقد فعلوا ذلك من خلال عرض آلاف الليالي من بيانات الأجهزة القابلة للارتداء على الحاسوب وطلب القيام بشيئين في آن واحد: أولاً، كان عليه ملء الفراغات في البيانات المفقودة، ليتعلم كيف تتناسب الإشارات المختلفة مثل معدل ضربات القلب ودرجة الحرارة مع بعضها البعض عادةً. وثانيًا، والأهم من ذلك، كان عليه تعلم التمييز بين المرحلتين الرئيسيتين للدورة: المرحلة الجريبية، التي تحدث بعد الدورة الشهرية، والمرحلة اللوتينية، التي تحدث بعد التبويض. ومن خلال إجبار الحاسوب على الانتباه إلى هذه المراحل، تعلم النموذج رؤية الديناميكيات الهرمونية التي تقودها، مما خلق فهمًا عميقًا لحالة الجسم يمكن تطبيقه في مواقف مختلفة.

أظهرت النتائج أن هذا النهج نجح بشكل ملحوظ. فعندما اختبر الباحثون النظام على مستخدمين جدد، استطاع التنبؤ ببداية الدورة الشهرية في غضون ثلاثة أيام في ما يقرب من ثمانين بالمائة من الحالات، واستطاع تحديد يوم التبويض بدقة مماثلة. كان هذا تحسنًا كبيرًا عن الطرق القديمة التي اعتمدت على عمليات حسابية بسيطة للتقويم أو عتبات ثابتة لدرجة الحرارة، والتي غالبًا ما فشلت مع النساء اللواتي يعانين من دورات غير منتظمة. والأهم من ذلك، أثبت النموذج أنه مرن للغاية؛ فبسبب تعلمه اللغة الجوهرية للدورة الشهرية، استطاع تطبيق تلك المعرفة فورًا على حالات لم يسبق له رؤيتها. فبدون أي تدريب إضافي، نجح النظام في تحديد المستخدمات الحوامل، واللواتي يمررن بمرحلة انقطاع الطمث، واللواتي يستخدمن حبوب منع الحمل الهرمونية. بل وتمكن من اكتشاف أعراض محددة مثل الهبات الساخنة أو التنقيط. إن القدرة على نقل المعرفة من موقف إلى آخر هي أمر نادر في الذكاء الاصطناعي، وتشير إلى أن النموذج قد استوعب حقًا المبادئ البيولوجية المعنية، بدلاً من مجرد حفظ أمثلة محددة.

كان أحد أكثر النتائج إثارة للدهشة هو مقدار ما وفره هذا النهج من الحاجة إلى البيانات المصنفة. ففي عالم تعلم الآلة، يتطلب تعليم الحاسوب التعرف على حالة جديدة آلاف الأمثلة التي حدد فيها البشر الإجابة بالفعل. وبالنسبة للحالات مثل انقطاع الطمث، حيث تكون البيانات شحيحة، يمثل هذا عقبة رئيسية. وقد وجد الباحثون أن نموذجهم يمكنه تحقيق دقة عالية في اكتشاف انقطاع الطمث باستخدام عدد أقل بخمس مرات من الأمثلة المصنفة مقارنة بالطرق التقليدية. وتعني هذه الكفاءة أن الرؤى الصحية الدقيقة يمكن أن تتوفر للحالات النادرة أو الصعبة الدراسة في وقت أقصر بكثير. كما أثبت النظام متانته؛ فحتى عند إزالة بيانات درجة الحرارة — وهي إشارة رئيسية لتتبع التغيرات الهرمونية — ظل النموذج يعمل بشكل جيد، محافظًا على دقة عالية في اكتشاف الحمل وانقطاع الطمث. يشير هذا إلى أن النموذج تعلم استخدام العلاقة بين جميع الإشارات، وليس إشارة واحدة فقط، لفهم حالة الجسم.

كما بحثت الدراسة فيما إذا كان الحاسوب يتعلم حقًا عن الهرمونات، أم أنه يقوم بمجرد التخمين. ومن خلال مقارنة الفهم الداخلي للنموذج مقابل قياسات هرمونية حقيقية من مجموعة منفصلة وأصغر من المشاركين، أكد الباحثون أن النظام كان بالفعل يتتبع ارتفاع وانخفاض الهرمونات الرئيسية مثل الإستروجين والبروجسترون. كانت تنبؤات النموذج لمستويات هذه الهرمونات أكثر دقة بشكل ملحوظ عندما تم تعليمه التعرف على مراحل الدورة، مما أثبت أن خطوة الإشراف على المراحل الإضافية ساعدت الحاسوب على رؤية الواقع البيولوجي بوضوح أكبر. وبينما اعتمدت الدراسة على بيانات من مستخدمين يمتلكون بالفعل أجهزة قابلة للارتداء متميزة (Premium)، مما يعني أن المجموعة لم تكن ممثلة تمامًا لجميع السكان، فإن النتائج تقدم أداة قوية جديدة لفهم صحة المرأة. فمن خلال تعليم الآلات الاستماع إلى الإيقاعات الطبيعية للجسم، يوفر هذا العمل أساسًا موحدًا لتتبع الصحة الإنجابية عبر كامل عمر الإنسان، بدءًا من انتظام الدورة الشهرية وصولًا إلى التغيرات العميقة للحمل وانقطاع الطمث.

أبحاث مشابهة