Explainable machine learning of plantar-force gait biomarkers for Hoehn–Yahr staging in Parkinson’s disease
تقدم هذه الدراسة إطار عمل للتعلم الآلي القابل للتفسير، يستخدم المؤشرات الحيوية للمشي الناتجة عن قوة باطن القدم والنمذجة الترتيبية لتحقيق تصنيف موضوعي عالي الدقة لشدة مرض باركنسون عبر مرحلتي "هون ويار" 2.0 إلى 3.0، مع تحديد سمات المشي الرئيسية القابلة للتفسير مثل مرحلة الدعم المزدوج وعدم التماثل الثنائي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يعد مرض باركنسون حالة تغير ببطء كيفية تحكم الدماغ في الحركة، مما يجعل المشي صعباً أو متيبساً أو غير مستقر في كثير من الأحيان. ويستخدم الأطباء حالياً مقياساً يسمى "هون ويار" (Hoehmann–Yahr) لتقدير مدى تقدم المرض، حيث يصنف المرضى إلى مراحل بناءً على أعراض مثل التوازن والارتعاش. وبينما يعد هذا المقياس أداة معيارية، إلا أنه يعتمد على ملاحظة الطبيب، والتي يمكن أن تختلف من شخص لآخر. وفي الوقت نفسه، تعلم العلماء أن الطريقة التي يمشي بها الشخص تحمل قدراً هائلاً من المعلومات الخفية؛ إذ يمكن للمستشعرات الموضوعة تحت القدمين قياس الضغط والتوقيت الدقيق لكل خطوة، مما يلتقط التحولات الطفيفة في التوازن والإيقاع التي قد تغفل عنها العين البشرية. وكان التحدي يكمن في تحويل إشارات ضغط القدم المعقدة هذه إلى صورة واضحة وموثوقة لشدة المرض، خاصة وأن مراحل المرض ليست مجرد فئات منفصلة، بل هي انزلاق مستمر من الخفة إلى الشدة.
لقد طور فريق من الباحثين نظاماً حاسوبياً جديداً مصمماً لقراءة إشارات ضغط القدم هذه ووضع المريض تلقائياً على مقياس "هون ويار". وبدلاً من معاملة مراحل المرض كصناديق غير مترابطة، يفهم النظام أنها درجات على سلم، حيث يمثل الانتقال من درجة إلى أخرى تدهوراً تدريجياً في الحالة. ومن خلال تحليل البيانات من 93 مريضاً مشوا عبر أرضية مليئة بالمستشعرات، درب الباحثون نظامهم على التعرف على أنماط محددة في كيفية دفع القدم عن الأرض، ومدة بقاء كلتا القدمين على الأرض في وقت واحد، ومدى تناسق خطواتهم. وكانت النتيجة طريقة لا تتنبأ بمرحلة المرض بدقة عالية فحسب، بل تشرح أيضاً بدقة العادات الحركية التي أدت إلى هذا الاستنتاج.
ركزت الدراسة على المرضى في المراحل 2.0 و2.5 و3.0 من المرض، وهي نطاق تكون فيه الأعراض حاضرة ولكن المريض لا يزال قادراً على المشي بشكل مستقل. وجمع الباحثون البيانات من قاعدة بيانات عامة حيث مشى المرضى بشكل طبيعي لمدة دقيقتين تقريباً بينما سجلت المستشعرات قوة خطواتهم. ووجدوا أنه مع تقدم المرض، يميل المرضى إلى قضاء وقت أطول مع وجود كلتا القدمين على الأرض، ويمشون بتفاوت أكبر في توقيت خطواتهم، ويظهرون اختلافات أكبر بين جانبيهم الأيمن والأيسر. وقد صُمم النظام الحاسوبي لتعلم هذه التغييرات المحددة؛ فهو لم يكتفِ بالنظر إلى الأرقام الخام، بل تعلم كيفية تصفية الضجيج والتركيز على الإشارات الأكثر أهمية، مثل مدة مرحلة الدعم المزدوج وتغير دورة المشي.
كان أحد أكبر العقبات التي واجهها الباحثون هو عدم توازن البيانات؛ حيث كان هناك عدد أكبر بكثير من المرضى في المراحل المبكرة من المرض مقارنة بالمراحل المتأخرة، وهو ما يخدع البرامج الحاسوبية عادةً ويجعلها تتجاهل المجموعة الأصغر. ولحل هذه المشكلة، استخدم الفريق تقنية أنشأت أمثلة اصطناعية واقعية للمرضى المفقودين لمساعدة النظام على تعلم كيف تبدو الأعراض الشديدة دون اختراع أشخاص حقيقيين مزيفين. كما ضمنوا اختبار النظام بشكل عادل من خلال إبقاء جميع البيانات الخاصة بشخص واحد معاً، حتى لا يتمكن الكمبيوتر من الاعتماد على حفظ مشية شخص واحد ثم تخمينها مرة أخرى لاحقاً. وعند اختباره، حدد النظام مرحلة المرض بدقة تقارب 85 بالمائة من المرضى. والأهم من ذلك، أنه نادراً ما ارتكب خطأً جسيماً، مثل الخلط بين حالة خفيفة وحالة شديدة؛ فعندما أخطأ، كان ذلك عادةً بفارق درجة واحدة فقط على المقياس، وهو خطأ أصغر بكثير في السياق الطبي.
إن ما يجعل هذا العمل بارزاً هو شفافيته. فالعديد من الأنظمة الحاسوبية تعمل كـ "صناديق سوداء"، تعطي إجابة دون توضيح السبب. ومع ذلك، فقد صُمم هذا النظام لإظهار طريقة عمله؛ فقد حدد 18 ميزة مشي محددة كانت الأكثر فائدة للتشخيص، وسلط الضوء باستمرار على نفس هذه الميزات، مثل الوقت المستغرق مع وجود كلتا القدمين على الأرض وتناظر حركة التأرجح. وباستخدام طريقة تسمى "SHAP"، استطاع الباحثون رؤية مدى تأثير كل ميزة من هذه الميزات في دفع التنبؤ نحو مرحلة أعلى أو أدنى. فعلى سبيل المثال، كان طول الوقت الذي تقضيه القدمان على الأرض وعدم انتظام الخطوات يشيران باستمرار إلى مرحلة أكثر تقدماً من المرض. وهذا المستوى من التفصيل يعني أن الطبيب يمكنه النظر إلى مخرجات النظام وفهم المنطق الكامن وراء التنبؤ، بدلاً من مجرد قبول رقم ما.
قارن الباحثون نظامهم الجديد بالنماذج الحاسوبية القديمة والمعيارية ووجدوا أن نهجهم كان أفضل بكثير في التمييز بين المراحل، خاصة بالنسبة للمرضى الذين يعانون من الأعراض الأكثر شدة في مجموعتهم. ورغم أن النظام كان يعمل بشكل جيد، إلا أن المؤلفين يلاحظون بحذر أنه تم اختباره على مجموعة محددة من البيانات ولم يثبت نجاحه بعد على مجموعة مستقلة وأوسع من الناس. كما أشاروا إلى أن النظام يغطي حالياً فقط النطاق المتوسط من المرض ولا يشمل بعد مراحل المرض المبكرة جداً أو المتأخرة جداً. علاوة على ذلك، ولأن الدراسة نظرت في لحظة زمنية واحدة، فإنها لا تستطيع بعد التنبؤ بكيفية تغير مرض شخص معين في المستقبل.
في نهاية المطاف، يقدم هذا البحث طريقة واعدة جديدة لقياس مرض باركنسون بشكل موضوعي. فمن خلال ترجمة اللغة الدقيقة لضغط القدم إلى نظام تصنيف واضح، توفر هذه الطريقة أداة يمكن أن تساعد الأطباء في مراقبة تطور المرض بشكل أكثر اتساقاً. إنها لا تحل محل حكم الطبيب، بل تقدم رأياً ثانياً دقيقاً وقائماً على البيانات، متجذراً في الواقع الفيزيائي لكيفية مشي المريض. وتشير قدرة النظام على شرح منطقه الخاص إلى مستقبل يكون فيه الذكاء الاصطناعي في الطب ليس مجرد آلة حاسبة، بل شريكاً يساعد الأطباء على رؤية تفاصيل حالة المريض بوضوح أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.