Estimating VO2max in patients with obesity using machine learning: A retrospective observational cohort study
تُظهر هذه الدراسة الاستعادية أن نماذج تعلم الآلة، ولا سيما انحدار ريدج البايزي وتحديد الأهمية التلقائي، يمكنها تقدير الحد الأقصى لاستهلاك الأكسجين (VO2max) بفعالية لدى البالغين المصابين بالسمنة باستخدام مدخلات فسيولوجية ميسرة، مما يقدم بديلاً واعداً للاختبارات التقليدية رغم وجود فجوة في الدقة مقارنة بالقياسات المباشرة.
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
إن جسم الإنسان محرك مذهل، لكن مقاييسه الأكثر حيوية غالباً ما تكون الأصعب في القراءة. هذا المقياس هو اللياقة القلبية التنفسية، وهي مقياس لمدى كفاءة عمل القلب والرئتين والعضلات معاً لاستهلاك الأكسجين أثناء الجهد المكثف. وفي المصطلبات الطبية، تُعرف هذه القدرة القصوى باسم VO2max. وهي مؤشر قوي للصحة على المدى الطويل؛ حيث يحمل انخفاض هذا الرقم خطراً للوفاة المبكرة يضاهي مخاطر التدخين أو مرض السكري. ولعقود من الزمن، كانت الطريقة الوحيدة لقياس ذلك بدقة هي وضع الشخص على جهاز جري (تريدميل) أو دراجة ثابتة، وجعله يمارس الرياضة حتى لا يستطيع المضي قدماً، ثم تحليل أنفاسه باستخدام آلات معقدة وباهظة الثمن. هذه العملية تستغرق وقتاً طويلاً، وتتطلب طاقماً متخصصاً، ويمكن أن تكون مرهقة جسدياً، خاصة للأفراد الذين يعانون من زيادة في الوزن. ونتيجة لذلك، فإن الكثير من الناس، وخاصة أولئك الذين يعانون من سمنة مفرطة، لا يتم اختبارهم أبداً، مما يترك الأطباء دون معلومة حيوية من معلومات الصحة.
لقد سعى فريق من الباحثين في النرويج لحل هذه المشكلة عبر التساؤل عما إذا كان بإمكان الكمبيوتر تعلم تخمين مستوى لياقة الشخص باستخدام المعلومات الأساسية المتوفرة بالفعل في السجل الطبي القياسي. لقد ركزوا تحديداً على البالغين الذين يعانون من سمنة مفرطة، وهي مجموعة غالباً ما تُستبعد من الدراسات التي وضعت الصيغ القدة والمعيارية لتقدير اللياقة. ومن خلال تغذية نماذج برامج حاسوبية متقدمة ببيانات من 253 مريضاً، قام الفريق بتدريب هذه النماذج لإيجاد أنماط بين القياسات البسيطة — مثل العمر والطول والوزن — واستهلاك الأكسجين الفعلي الذي تم قياسه أثناء اختبارات تمرين شاقة. لم يكن هدفهم استبدال الاختبار الطبي المعياري الذهبي، بل إنشاء بديل موثوق وسهل الوصول إليه للحالات التي يكون فيها إجراء الاختبار الكامل مستحيلاً.
نهج الباحثون المشكلة عبر ثلاث خطوات، حيث قدموا للكمبيوتر المزيد من المعلومات تدريجياً. في الخطوة الأولى، لم يرَ النموذج سوى أربع حقائق أساسية: جنس المريض، وعمره، وطوله، ووزن جسمه. وفي الخطوة الثانية، أضافوا قياسات محيط الخصر والورك، إلى جانب قراءات ضغط الدم. وفي الخطوة الثالثة والأكثر تفصيلاً، تعلم النموذج أيضاً عن كتلة الدهون ومعدل ضربات قلب المريض أثناء الراحة وعند أقصى معدل له. اختبر الفريق أحد عشر نوعاً مختلفاً من نماذج التعلم الحاسوبي لمعرفة أي منها يمكنه تقديم التخمينات الأكثر دقة. ووجدوا أن نوعين محددين من النماذج، يُعرفان باسم "انحدار ريدج البايزي" (Bayesian Ridge Regression) و"تحديد الأهمية التلقائي" (Automatic Relevance Determination)، قد أديا بشكل أفضل. تعلمت هذه النماذج كيفية وزن أهمية كل قطعة من المعلومات بشكل مختلف بناءً على مقدار البيانات المتاحة.
وعندما تم اختبار النماذج على مرضى لم يسبق لها رؤيتهم، أظهرت تحسناً واضحاً مع إضافة المزيد من البيانات. فالنموذج الأبسط، الذي استخدم الحقائق الأربع الأساسية فقط، ارتكب متوسط خطأ قدره حوالي 12.5 بالمائة عند تخمين استهلاك الأكسجين. وعندما مُنح النموذج التفاصيل الإضافية حول شكل الجسم وضغط الدم، انخفض الخطأ إلى 12.0 بالمائة. ومع المجموعة الكاملة من المعلومات، بما في ذلك معدل ضربات القلب وكتلة الدهون، انخفض الخطأ أكثر ليصل إلى 11.3 بالمائة. ورغم أن هذا ليس بدقة القياس المباشر من اختبار جهاز الجري، والذي عادة ما يكون هامش الخطأ فيه بين 2 إلى 6 بالمائة فقط، إلا أن الباحثين أشاروا إلى أن هامش خطأ بنسبة 11 بالمائة غالباً ما يكون مقبولاً للتقديرات السريرية عندما لا يمكن إجراء الاختبار المباشر. كما كشفت الدراسة أن النماذج الحاسوبية كانت متسقة بشكل ملحوظ فيما وجدته مهماً؛ ففي جميع المستويات الثلاثة من التعقيد، كان جنس المريض وعمره هما أقوى المؤشرات للتنبؤ باللياقة. وقد أظهر الرجال باستمرار مستويات لياقة أعلى من النساء، وتراجعت اللياقة مع تقدم العمر، وهو نمط يتوافق مع عقود من المعرفة الطبية الراسخة.
كما كشفت الدراسة كيف تؤثر تكوين الجسم على هذه التقديرات. ففي النموذج الأبسط، لم يبدُ أن وزن الجسم يهم كثيراً. ومع ذلك، بمجرد أن تعلم النموذج عن كتلة الدهون والتفاصيل الفسيولوجية الأخرى، أصبح وزن الجسم عاملاً مهماً. وهذا منطقي لأن الشخص الأثقل يحتاج إلى تحريك كتلة أكبر، مما يتطلب مزيداً من الأكسجين، ولكن فقط إذا كانت هذه الكتلة الإضافية عبارة عن أنسجة نشطة وليست مجرد دهون. ووجد الباحثون أن محيط الخصر كان أيضاً دليلاً مفيداً؛ حيث ارتبط الخصر الأكبر بلياقة أقل، ويرجع ذلك على الأرجب إلى أن الدهون الزائدة في منطقة البطن يمكن أن تقيد حركة الحجاب الحاجز وتجعل التنفس أصعب أثناء التمرين. ومن المثير للدهشة أن محيط الورك وقراءات ضغط الدم لم يكن لهما تأثير كبير على التقديرات النهائية، مما يشير إلى أنه بالنسبة لهذه المجموعة المحددة من المرضى، لم تضف هذه القياسات الكثير من المعلومات الجديدة عما هو معروف بالفعل من العمر والجنس والوزن.
كانت إحدى الميزات الواعدة للنماذج الحاسوبية هي قدرتها على التعبير عن الشك. ولأن النماذج الأفضل أداءً بُنيت على نوع من الرياضيات التي تتعامل مع الاحتمالات، فقد استطاعت إخبار الباحثين بمدى ثقتها في كل تخمين. ووجدت الدراسة رابطاً مباشراً بين حجم الخطأ وحالة عدم اليقين التي أظهرها النموذج: فعندما كان النموذج أقل تأكداً، كان من المرجح أن يكون مخطئاً. ويمكن أن تكون هذه الميزة حيوية في العيادة الواقعية، حيث ستسمح للطبيب ليس فقط برؤية رقم، بل وأيضاً بعلامة تحذير إذا كان هذا الرقم من المرجح أن يكون غير دقيق. وهذا سيساعد الأطباء في تحديد متى يكون من الآمن الاعتماد على التقدير ومتى يحتاج المريض حقاً إلى اختبار التمرين الكامل والصارم.
لقد كان الباحثون حذرين في ملاحظة أن نتائجهم تستند إلى مجموعة صغيرة نسبياً من المرضى من مستشفى واحد في النرويج، وأن النماذج لا تزال تقصر عن دقة القياس المباشر. وقد أكدوا أنه بينما تعد هذه الأدوات خطوة للأمام، إلا أنها ليست حلاً نهائياً. وتشير الدراسة إلى أنه مع مجموعات أكبر من الناس وربما المزيد من البيانات حول عادات نمط الحياة، يمكن أن تصبح هذه التخمينات الحاسوبية أكثر دقة. وفي الوقت الحالي، يوضح العمل أن التعلم الآلي يمكنه بنجاح ترجمة البيانات الطبية الروتينية إلى تقدير ذي معنى لصحة القلب والرئة، مما يوفر طريقة جديدة وأقل عبئاً لمراقبة اللياقة البدنية لدى فئة من السكان كان من الصعب تقييمها تاريخياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.