Non-invasive lactate threshold estimation using deep learning: practical applications across endurance sports
تُظهر هذه الدراسة أن نموذج التعلم العميق يمكنه تقدير معدل ضربات القلب بدقة عند عتبة اللاكتات البالغة 2 مليمول·لتر⁻¹ عبر الجري وركوب الدراجات والتجديف وقوارب الكاياك، متفوقاً على الطرق التقليدية ضمن رياضات محددة، ولكنه يتطلب تحققاً خاصاً بكل رياضة نظراً لانخفاض دقة التعميم عبر التخصصات المختلفة.
على مدى عقود، اعتمد المدربون وعلماء الرياضة على رقم واحد حاسم لتصميم التدريبات لرياضيي التحمل: تلك النقطة التي يتحول عندها وقود الجسم من الاحتراق الفعال إلى حالة تراكم الإجهاد. هذه اللحظة، المعروفة باسم عتبة اللاكتات، تمثل شدة يبدأ عندها حمض اللاكتيك في التراكم في الدم بمعدل أسرع مما يمكن للعضلات التخلص منه. ولإيجاد هذه النقطة الدقيقة، يخضع الرياضيون تقليدياً لاختبار مخبري شاق؛ حيث يركضون أو يركبون الدراجات بسرعات متزايدة بينما يقوم فني بوخز إصبعهم بشكل متكرر لسحب عينات دم، وقياس مستويات الحمض بعد كل مرحلة. وبينما تعد هذه الطريقة هي المعيار الذهبي من حيث الدقة، إلا أنها عملية جراحية (تتطلب وخزاً)، ومكلفة، وتتطلب معدات وطاقم عمل متخصصين. وبالنسبة للعديد من العدائين الهواة، أو الرياضيين الشباب، أو المرضى في البيئات السريرية، فإن هذا الحاجز يعني أنهم ببساً لا يستطيعون الوصول إلى البيانات اللازمة للتدريب بفعالية. وقد ظل السؤال قائماً لفترة طويلة عما إذا كان من الممكن التنبؤ بهذه العتبة باستخدام بيانات معدل ضربات القلب والسرعة التي يتم جمعها بالفعل خلال اختبار قياسي، دون الحاجة أبداً لسحب قطرة دم واحدة.
لقد سعى فريق من الباحثين للإجابة على ذلك من خلال بناء نموذج حاسوبي متطور قادر على تعلم الأنماط الخفية بين أداء الرياضي وحدوده الفسيولوجية. وبدلاً من الاعتماد على الصيغ البسيطة التي استُخدمت لسنوات، وظف الفريق نظام تعلم عميق، وهو نوع من الذكاء الاصطناعي الذي يمكنه تحليل تسلسلات معقدة من البيانات لإيجاد علاقات قد تغفل عنها البشرية. قام الفريق بتغذية النموذج ببيانات من 823 اختبار تمرين منفصلاً شملت أكثر من 800 رياضي من كلا الجنسين. غطت هذه الاختبارات أربعة تخصصات مختلفة في رياضة التحمل: الجري، وركوب الدراجات، والتجديف، والتجديف بالكاياك. وفي كل اختبار، عُرض على النموذج معدل ضربات قلب الرياضي وسرعته أو قدرة إنتاجه في كل مرحلة، بالإضافة إلى عمره وجنسه، وطُلب منه التنبؤ بمعدل ضربات القلب الدقيق الذي سيصل عنده مستوى اللاكتات في دمه إلى مستوى ثابت قدره ملي مولين لكل لتر. ثم قارن الباحثون تنبؤات النموذج مع نتائج اختبار الدم الفعلية لمعرفة مدى دقتها.
أظهرت النتائج أنه ضمن الرياضات التي درسها النموذج، كان بإمكانه تقدير العتبة بدقة ملحوطة. ففي المتوسط، كان تخمين النموذج بعيداً بنحو 5.5 نبضة في الدقيقة فقط عن الواقع. ولتوضيح ذلك، فإن هذا المستوى من الخطأ يضاهي التباين الطبيعي الذي يحدث عندما يخضع نفس الرياضي لنفس اختبار الدم مرتين متتاليتين تحت الظروف المخبرية. لقد تفوق النموذج الحاسوبي بشكل كبير على أفضل الطرق غير الجراحية الموجودة، والتي تعتمد على منحنيات رياضية مرسومة عبر نقاط البيانات. كانت تلك الطرق القديمة غالباً ما تخطئ بنحو تسع نبضات في الدقيقة، وهو فرق يمكن أن يدفع الرياضي بسهولة إلى منطقة تدريب خاطئة. وقد أثبت النموذج الجديد فعالية خاصة للعدائين والمجدفين وراكبي الدراجات، حيث نجح في تحديد العتبة للغالبية العظمى من المشاركين، وغالباً ما استقر ضمن نطاق يكون مفيداً للتوجيه التدريبي العام.
ومع ذلك، كشفت الدراسة عن قصور واضح: فالنموذج لا يعمل تلقائياً مع كل الرياضات. فعندما اختبر الباحثون النظام على رياضيين من رياضة لم يشهدها أثناء تدريبه، انخفضت الدقة بشكل حاد. وكان هذا جلياً في رياضة الكاياك، وهي رياضة تعتمد بشكل كبير على قوة الجزء العلوي من الجسم، حيث تضاعف معدل الخطأ فيها لأكثر من الضعف مقارنة بالرياضات التي تعتمد على الأطراف السفلية. وقد بحث الباحثون فيما إذا كان هذا الفشل ناتجاً ببساطة عن وجود عدد أقل من اختبارات الكاياك في بياناتهم، أم لأن فسيولوجيا التجديف تختلف جوهرياً عن الجري أو ركوب الدراجات. وأشار تحليلهم إلى أن كلا العاملين يلعبان دوراً على الأرج_ح، رغم عدم قدرتهم على الفصل بينهما بشكل قاطع بالبيانات الحالية. وقد عانى النموذج أكثر مع المجموعة الأصغر، مما يشير إلى أنه يحتاج إلى كمية كبيرة من الأمثلة المحددة لتعلم الأنماط الفريدة لكل تخصص.
ويخلص المؤلفون إلى أن هذه التكنولوجيا هي أداة قوية للفحص والمراقبة، لكنها ليست بعد بديلاً مثالياً لاختبار الدم التقليدي. بالنسبة للمدربين الذين يعملون مع العدائين أو راكبي الدراجات أو المجدفين، يوفر النموذج وسيلة لتتبع تقدم الرياضي بمرور الوقت دون الحاجة إلى وخز الأصابع المتكرر، مما يجعل الاختبار المتكرر عملية وعملية. ويمكنه المساعدة في تحديد متى يتحسن مستوى لياقة الرياضي أو متى تحتاج شدة تدريبه إلى تعديل. ومع ذلك، ومن أجل وضع الحدود الدقيقة لمنطقة التدريب لفرد معين، خاصة في الرياضات الأقل شيوعاً أو لاتخاذ قرارات عالية المخاطر، يظل أخذ عينات الدم المباشرة هو المعيار الضروري. يعمل النموذج كجسر في أفضل حالاته، مما يسمح بالمراقبة الأكثر تكراراً ويقلل من عبء الاختبارات الجراحية، مع الإقرار بأن القياس النهائي والأكثر دقة لا يزال يتطلب قطرة من الدم.
ملخص تقني: تقدير عتبة اللاكتات غير الجراحي باستخدام التعلم العميق
بيان المشكلة تُعد عتبة اللاكتات (LT)، وتحديداً معدل ضربات القلب المقابل لتركيز ثابت من لاكتات الدم يبلغ 2 مليمول·لتر⁻¹ (HR2mmol)، حجر الزاوية لوصف شدة التدريب على التحمل. ومع ذلك، فإن تحديد HR2mmol يتطلب تقليدياً اختبارات تمرين تدريجية مع أخذ عينات متكررة من الدم الشعيري. تفرض هذه العملية عوائق كبيرة في البيئات السريرية، وبيئات الشباب، والبيئات الترفيهية بسبب الحاجة إلى موظفين مدربين، ومعدات معايرة، وطبيعة وخز الجلد الجراحية. وبينما توجد استدلالات غير جراحية لملائمة المنحنيات (مثل D-max)، فإن توافقها مع قياسات LT المباشرة غالباً ما يكون غير متسق. هناك حاجة إلى طريقة غير جراحية تستفيد من بيانات معدل ضربات القلب والقدرة/السرعة القياسية لتقدير HR2mmol بدقة والتعميم عبر مختلف رياضات التحمل.
المنهجية استخدمت الدراسة تحليلاً ثانوياً لقاعدة بيانات متاحة للعموم ومجهولة المصدر تضم 835 اختبار تمرين تدريجي من مختبر الأداء البشري في كلية ترينيتي بدبلن. بعد استبعاد 12 اختباراً بسبب فقدان تسلسلات اللاكتات أو الإخفاقات في الجودة الفسيولوجية (مثل معدلات ضربات القلب غير الواقعية أو قيم اللاكتات غير المنطقية)، تكونت العينة التحليلية النهائية من 823 اختباراً شملت 537 ذكراً و286 أنثى من الرياضيين في أربع رياضات: الجري، وركوب الدراجات، والتجديف، والتجديف بالكاياك.
المتغير المستهدف:HR2mmol، المعرّف بأنه معدل ضربات القلب عند نقطة مرجع لاكتات الدم البالغة 2 مليمول·لتر⁻¹، والتي تم تحديدها عبر الاستكمال الخطي بين المراحل.
الميزات المدخلة: تم تدريب نموذج التعلم العميق على ميزات فسيولوجية مرحلية، تشمل احتياطي معدل ضربات القلب، والقدرة/السرعة المعيارية (نسبة إلى الحد الأقصى للفرد ضمن ذلك الاختبار المحدد)، وديناميكيات معدل ضربات القلب، وخصائص المشاركين، ومؤشر رياضي فئوي.
بنية النموذج: تم تطوير نموذج تعلم عميق يتضمن طبقات الذاكرة الطويلة قصيرة المدى (LSTM) مع آليات الانتباه (attention mechanisms) وتضمينات خاصة بكل رياضة.
استراتيجية التحقق:
داخل الرياضة الواحدة: تم استخدام التحقق المتقاطع (5-fold cross-validation) لكل رياضي لضمان عدم ظهور بيانات أي رياضي في كل من مجموعتي التدريب والاختبار.
التعميم عبر الرياضات: تم استخدام التحقق من نوع "ترك رياضة واحدة خارج النموذج" (LOSO) لاختبار ما إذا كان النموذج المدرب على ثلاث رياضات يمكنه التنبؤ بـ HR2mmol للرياضة الرابعة.
التحليل السببي: للتمييز بين عدم التشابه الفسيولوجي ومحدودية حجم العينة (خاصة لمجموعة الكاياك الأصغر، n=54)، أُجريت تجربة إعادة أخذ العينات بنظام Bootstrap لمقارنة أداء LOSO عند استبعاد الكاياك مقابل استبعاد مجموعة عشوائية مساوية في الحجم من رياضة التجديف. وقارنت هذه التجربة بين LOSO عند استبعاد الكاياك وبين استبعاد مجموعة فرعية عشوائية من التجديف.
المقارنات: تمت مقارنة النموذج مع الاستدلالات الفسيولوجية الراسخة (D-max، وD-max المعدل، وOBLA-4) ومع نماذج التعلم الآلي المرجعية (الانحدار الخطي، والغابة العشوائية، وXGBoost، وLSTM التقليدي).
النتائج الرئيسية
الدقة داخل الرياضات المدربة: حقق نموذج التعلم العميق متوسط خطأ مطلق (MAE) قدره 5.56 ± 0.64 نبضة في الدقيقة ومعامل ارتباط داخل الفئة (ICC) قدره 0.662. وقد تفوق هذا الأداء على أفضل استدلال موجود، وهو D-max المعدل (MAE = 8.66 نبضة في الدقيقة)، بنسبة 35.8% (3.10 نبضة في الدقيقة).
المقارنة مع النماذج المرجعية: تفوق نموذج التعلم العميق على جميع نماذج التعلم الآلي والاستدلالات الفسيولوجية. ومن الجدير بالذكر أن استدلالات ملائمة المنحنيات مثل D-max وOBLA-4 أظهرت قيم R2 سالبة، مما يشير إلى ضعف انتقالها إلى تعريف 2 مليمول·لتر⁻¹ المستخدم في هذه الدراسة.
الأداء حسب الرياضة:
الجري والتجديف: أظهرا أعلى دقة (MAE ≈ 4.9 نبضة في الدقيقة).
ركوب الدراجات: دقة متوسطة (MAE = 5.86 نبضة في الدقيقة).
الكاياك: أظهر أعلى معدل خطأ (MAE = 10.01 نبضة في الدقيقة) وأعلى تباين، حيث تجاوزت 3.7% من الاختبارات خطأ قدره 30 نبضة في الدقيقة.
التعميم عبر الرياضات: عند تطبيق النموذج على رياضة غائبة تماماً عن التدريب، زاد الخطأ بنسبة 37-103%.
الكاياك: كرياضة مستبعدة، أظهرت التدهور الأكثر حدة (MAE = 11.27 نبضة في الدقيقة، R2 = -0.802).
تحليل Bootstrap: وجدت الدراسة أن استبعاد الكاياك تحديداً حسن دقة الانتقال للجري أكثر من استبعاد مجموعة مساوية في الحجم من التجديف، مما يشير إلى وجود حاجز فسيولوجي محتمل. ومع ذلك، بالنسبة لركوب الدراجات، حسن كلا الاستبعادين الدقة بشكل مماثل، مما يشير إلى أن حجم العينة قد يكون هو العامل المحدد. وقد أسفر اختبار Mann-Whitney U الذي قارن هذه التوزيعات عن p = 0.65، مما يعني أن التمييز بين عدم التشابه الفسيولوجي وآثار حجم العينة ليس ذا دلالة إحصائية ويجب اعتباره مجرد فرضية لتوليد الأفكار.
الأهمية والادعاءات تضع الورقة هذا العمل كـ إثبات مفهوم يوضح جدوى التقدير غير الجراحي لـ HR2mmol باستخدام التعلم العميق ضمن بروتوكول مختبري واحد.
الفائدة العملية: إن متوسط دقة النموذج (MAE ~5.5 نبضة في الدقيقة) يماثل تباين اختبار إعادة الاختبار المنشور لتحديد عتبة اللاكتات المختبرية (4-8 نبضة في الدقيقة). يشير هذا إلى أن النموذج يمكن أن يعمل كأداة فحص ومراقبة قيمة للجري، وركوب الدراجات، والتجديف، مما يسمح بتتبع التكيفات التدريبية بشكل متكرر وغير جراحي دون الحاجة لعينات دم متكررة.
القيود والنطاق: يصرح المؤلفون صراحةً بأن النموذج لا يمكنه استبدال أخذ عينات الدم المباشرة من أجل تحديد دقيق للمناطق التدريبية الفردية. كما أن حدود الاتفاق في مخطط Bland-Altman (±18 نبضة في الدقيقة) واسعة جداً لتحديد مستويات المناطق الفردية، ويفتقر النموذج إلى آلية للإشارة إلى الحالات التي قد تكون فيها تقديراته غير دقيقة.
التعميم: خلصت الدراسة إلى أنه بينما يعمل النموذج جيداً ضمن الرياضات المدربة، فإن التحقق الخاص بكل رياضة أمر ضروري قبل النشر، لا سيما للرياضات التي تعتمد على الجزء العلوي من الجسم مثل الكاياك حيث يتدهور الأداء بشكل كبير.
المتطلبات المستقبلية: يؤكد المؤلفون أن دمج هذه التكنولوجيا في الوصفات السريرية أو التدريبية الفردية يتطلب عملاً مستقبلياً يتضمن بيانات تدريب متوازنة رياضياً، وتقديرات موثوقة لعدم اليقين، وتحققاً متعدد المراكز.
باختصار، تقدم الدراسة بديلاً غير جراحي يعتمد على التعلم العميق للاستدلالات التقليدية لتقدير معدلات ضربات القلب لعتبة اللاكتات، مما يوفر أداة عملية لتقليل أعباء الاختبار في رياضات التحمل الممثلة جيداً، مع الإقرار بضرورة أخذ عينات الدم المباشرة للوصف الدقيق والمخصص للفرد.