🧬 الأحياء

Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs

يُعد PathogaitFM نموذجاً تأسيسياً يقدر بدقة حركية المشية عبر مجموعات متنوعة من الحالات العصبية والنمائية باستخدام مدخلات كينماتيكية مرنة، مما يظهر قدرة عالية على التعميم والمتانة دون الحاجة إلى إعادة التدريب لمجموعات سكانية أو بروتوكولات قياس محددة.

المؤلفون الأصليون: Wenqi Liang, Zhi-Qiang Zhang, Xingye Cheng, Xi Gao, Jiping Jin, Shuyun Jiang, Silmara Gusso, Yanxin Zhang

نُشر 2026-09-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Wenqi Liang, Zhi-Qiang Zhang, Xingye Cheng, Xi Gao, Jiping Jin, Shuyun Jiang, Silmara Gusso, Yanxin Zhang

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

تُعد المشي عملية ميكانيكية معقدة نؤديها معظمنا دون تفكير ثانٍ، ولكن بالنسبة للأطباء الذين يعالجون حالات مثل الشلل الدماغي، أو السكتة الدماغية، أو مرض باركنسون، فإن فهم القوى الدقيقة المشاركة في كل خطوة أمر بالغ الأهمية. وللتخطيط للجراحات أو تصميم برامج إعادة التأهيل، يحتاج الأطباء ليس فقط لمعرفة كيفية تحرك الشخص، بل أيضاً مقدار القوة التي تمتصها مفاصله وتولدها. تقليدياً، كان قياس هذه القوى الداخلية مهمة صعبة تقتصر على المختبرات المتخصصة؛ إذ يتطلب الأمر معدات باهظة الثمن، مثل الأرضيات الحساسة للقوة والكاميرات التي تتبع العلامات العاكسة الموضوعة على الجسم، بالإضافة إلى فريق من الخبراء لمعالجة البيانات. هذا الإعداد معقد للغاية لدرجة أنه نادراً ما يتوفر في العيادات العادية، أو المراكز المجتمعية، أو في المنزل، مما يترك فجوة كبيرة في كيفية مراقبة الأطباء للمرضى وعلاجهم خارج بيئة البحث.

لقد طور فريق من الباحثين نهجاً جديداً يهدف إلى سد هذه الفجوة باستخدام نوع من الذكاء الاصطناعي يسمى "النموذج التأسيسي" (foundation model). فبدلاً من الاعتماد على منصات القوة، يمكن لهذا النظام، الذي أطلق عليه اسم PathoGaitFM، تقدير القوى المؤثرة على الجسم باستخدام زوايا المفاصل أثناء حركتها فقط. قام الباحثون بتدريب هذا النموذج على كمية هائلة من البيانات من بالغين أصحاء، لتعليمه الفيزياء الأساسية للمشي. ثم اختبروا ما إذا كان هذا النموذج الواحد والمشترك يمكنه التنبؤ بدقة بالقوى لأشخاص يعانون من حالات عصبية مختلفة، بما في ذلك الأطفال المصابين بالشلل الدماغي، والبالغين الذين تعرضوا لسكتة دماغية، ومرضى باركنسون. وكان الهدف هو معرفة ما إذا كان بإمكان نموذج عالمي واحد فهم ميكانيكا المشي عبر أنواع مختلفة جداً من الأجساد وأنماط الحركة دون الحاجة إلى إعادة تدريبه لكل مجموعة محددة.

تظهر النتائج أن النموذج فعال بشكل ملحوٌظ في هذه المهمة. فعند اختباره على بيانات من أربع مجموعات مختلفة من المرضى، نجح النظام في إعادة بناء أنماط قوة المشي بدقة عالية، حيث طابق القياسات المرجعية بدرجة ارتباط بلغت 0.811. وكان هذا الأداء أفضل قليلاً من الطرق الأخرى الموجودة التي تم تدريبها خصيصاً لكل مجموعة من الأفراد. والأهم من ذلك، أظهر النموذج قدرة قوية على التعميم؛ فعندما طبق الباحثون نفس النموذج على خمس مجموعات بيانات جديدة تماماً من مختبرات وسكان مختلفين —دون إجراء أي تعديلات أو إعادة تدريب— ظلت الدقة عالية، حيث سجلت درجة ارتباط بلغت 0.898. ويشير هذا إلى أن النموذج قد تعلم فهماً مشتركاً وعميقاً لكيفية عمل ميكانيكا المشي، بدلاً من مجرد حفظ التفاصيل المحددة للأشخاص الذين تم تدريبه عليهم.

وثمة نتيجة رئيسية أخرى تتعلق بمرونة النموذج فيما يتعلق بالبيانات التي يتلقاها. ففي السيناريوهات الواقعية، قد تتعطل المستشعرات، أو قد لا يتمكن المريض من وضع علامات على كل مفصل. اختبر الباحثون ما إذا كان النموذج سيظل يعمل في حال فقدان معلومات عن بعض زوايا المفاصل، ووجدوا أنه حتى عند إزالة معلومات عن الورك أو الركبة أو الكاحل، فإن دقة النموذج تنخفض بشكل طفيف فقط، بهامش لا يتجاوز 0.041 في درجة الارتباط الخاصة به. يشير هذا إلى أن النظام يمكنه التكيف مع المعلومات غير المكتملة، وهي ميزة حيوية للاستخدام السريري حيث لا تتوفر البيانات المثالية دائماً. علاوة على ذلك، قدم النموذج أداءً جيداً عندما تمت تغذيته ببيانات من كاميرات الفيديو ومستشعرات الحركة القابلة للارتداء، محققاً نتائج مماثلة لتلك التي يتم الحصول عليها من الأنظمة التقليدية القائمة على العلامات.

وقارنت الدراسة أيضاً هذا النهج الجديد بالأساليب الراسخة الأخرى. ووجد الباحثون أن نموذجهم التأسيسي قد تفوق على ثلاثة نماذج أخرى منشورة تم إعادة تدريبها خصيصاً لنفس مجموعات المرضى. ويشير هذا إلى أن استراتيجية التدريب المسبق على مجموعة بيانات كبيرة من المشي الصحي ثم استخدام تقنية لملء البيانات المفقودة هي أكثر قوة من بناء نماذج منفصلة لكل حالة محددة. وقد تمكن النموذج من تقدير القوى للورك والركبة والكاحل، بالإضافة إلى القوة الرأسية الدافعة من الأرض، عبر نطاق واسع من الأعمار والحالات. وبينما كانت الأخطاء أكبر قليلاً للمرضى الذين يعانون من اعتلالات حركية أكثر شدة، إلا أن التقديرات كانت لا تزال ضمن نطاق مماثل للتباين الطبيعي الذي يظهر عندما يمشي الشخص عدة مرات في المختبر.

يشير هذا العمل نحو مستقبل لا يقتصر فيه التحليل الميكانيكي الحيوي التفصيلي على المختبر. فمن خلال إثبات أن نموذجاً واحداً يمكنه تقدير القوى بدقة من مدخلات مرنة عبر مجموعات سكانية متنوعة، قدم الباحثون أساساً قوياً لاستخدام التكنولوجيا المحمولة في الرعاية الروتينية. وتشير النتالئج إلى أنه قد يتمكن الأطباء قريباً من استخدام تسجيلات الفيديو أو مستشعرات الحركة البسيطة القابلة للارتداء للحصول على رؤى حول تحميل المفاصل وميكانيكا الحركة، مما يجعل تحليل المشي المتقدم متاحاً في عيادات العيادات الخارجية وإعادة التأهيل المنزلي. وبينما لا يحل النموذج محل دقة منصات القوة لأغراض البحث، فإنه يقدم بديلاً واعداً للمواقف التي يكون فيها استخدام مثل هذه المعدات مستحيلاً من الناحية اللوجستية، مما قد يغير طريقة مراقبة وعلاج اضطرابات الحركة في الممارسة اليومية.

أبحاث مشابهة