Sleep Pattern Recognition for ADHD using ML
تقترح هذه الدراسة إطار عمل للتعلم الآلي باستخدام مصنف الغابة العشوائية (Random Forest) المدرب على سمات فسيولوجية وسريرية متعلقة بالنوم للتنبؤ بفعالية باضطراب نقص الانتباه مع فرط النشاط (ADHD)، مما يبرهن على إمكانات تحليل أنماط النوم كأداة داعمة للفحص والتشخيص المبكرين.
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
بالنسبة لملايين الأشخاص، لا يرتاح العقل عندما يستلقي الجسد. إن اضطراب نقص الانتباه مع فرط النشاط، وهو حالة تتميز بصعوبة مستمرة في التركيز، والتململ، والسلوك الاندفاعي، يرتبط ارتباطاً وثيقاً بكيفية نوم الشخص. وبينما اعتمد الأطباء لفترة طويلة على الاستبيانات والملاحظات لتشخيص هذا الاضطراب، إلا أن هذه الأساليب يمكن أن تكون ذاتية وتتفاوت من طبيب إلى آخر. وفي السنوات الأخيرة، بدأ العلماء في البحث عن أدلة موضوعية كامنة في إيقاعات الجسم الخاصة. فالنوم، في نهاية المططاف، يترك أثراً قابلاً للقياس: حيث يمكن تسجيل معدلات ضربات القلب، والحركة، وتوقيت دورات الراحة بواسطة أجهزة الاستشعار وتحليلها بواسطة الحواسيب. وإذا تمكنت أنماط الليلة المضطربة من الإشارة بشكل موثوق إلى حالة عصبية نمائية محددة، فقد يوفر ذلك مساراً جديداً وأكثر وضوحاً للتشخيص.
هذا الاحتمال هو محور دراسة أجرتها أنوشكا تشاتيرجي في المعهد الوطني للتكنولوجيا في وارانغال. فقد سعى الباحث ليرى ما إذا كان بإمكان برنامج حاسوبي أن يتعلم التمييز بين البالغين المصابين باضطراب نقص الانتباه مع فرط النشاط وأولئك غير المصابين به، باستخدام بيانات حول نومهم وصحتهم البدنية فقط. عمل الفريق على مجموعة من السجلات لـ 103 بالغين، نصفهم تم تشخيصهم بالاضطراب والنصف الآخر كانوا بمثابة ضوابط صحية. تضمنت هذه السجلات تفاصيل حول جودة النوم، والمدة التي يستغرقها الشخص للنوم، وتغيرات معدل ضربات القلب، وغيرها من القياسات الفسيولوجية التي جمعها في الأصل باحثون في مستشفى جامعة أوسلو. لم يكن الهدف هو استبدال حكم الطبيب، بل بناء أداة يمكنها رصد "بصمة" الاضطراب في البيانات، تماماً كما قد يلاحظ مراقب ماهر نمطاً محدداً في حشدٍ قد يغفل عنه الآخرون.
ولتحويل هذه الأرقام الخام إلى أداة مفيدة، قامت الباحثة أولاً بتنقية البيانات، وملء الفجوات بالقيم المتوسطة وتنظيم المعلومات بحيث يمكن للحاسوب قراءتها. بعد ذلك، قامت بتدريب نموذج تعلم آلي، وهو نوع من البرمجيات المصممة لإيجاد الأنماط من خلال التعلم من الأمثلة. وبالتحديد، استخدمت طريقة تسمى "الغابة العشوائية" (Random Forest)، والتي تعمل من خلال بناء العديد من أشجار القرار البسيطة ودمج إجاباتها للوصول إلى استنتاج نهائي. هذا النهج متميز بشكل خاص في التعامل مع البيانات الواقعية الفوضوية حيث تكون العلاقات بين العوامل المختلفة معقدة وليست دائماً مباشرة. تم عرض سجلات النوم والصحة الخاصة بالمشاركين على الحاسوب، ليتعلم أي التوليفات من الميزات — مثل نوع معين من تباين معدل ضربات القلب مقترناً بتأخر معين في النوم — تميل للظهور في المجموعة المصابة بالاضطراب.
أظهرت النتائج أن الحاسوب استطاع بالفعل التمييز بين المجموعتين بدرجة عالية من الدقة. فعند اختباره على بيانات لم يسبق له رؤيتها، حدد النموذج حالة المشاركين بشكل صحيح بنسبة 80 في المئة تقريباً. والأهم من ذلك، أن النظام لم يقم بمجرد التخمين بنفس الإجابة للجميع؛ بل وازن تنبؤاته بشكل جيد، حيث حدد بشكل صحيح كلاً من المصابين بالاضطراب وغير المصابين به. وأشار التحليل إلى أن ميزات متعلقة بالنوم تحتوي على إشارات قوية تفصل بين المجموعتين، حيث حقق الحاسوب درجة تشير إلى قدرة ممتازة على التمييز بينهما. كما كشفت الدراسة عن المتغيرات النوم الأكثر أهمية لاتخاذ القرار، مما يسلط الض الضوء على أن توقيت وجودة الراحة ليسا مجرد آثار جانبية للحالة، بل مرتبطان ارتباطاً وثيقاً بطبيعتها الكامنة.
وعلى الرغم من أن النتائج واعدة، إلا أن الباحثة تحرص على ملاحظة أن هذه خطوة أولى وليست حلاً نهائياً. فقد تم تدريب النموذج واختباره على مجموعة واحدة صغيرة نسبياً من الناس، ولم يتم التحقق من كفاءته بعد مقابل مجموعة أخرى من المرضى لمعرفة ما إذا كان سيعمل بنفس الكفاءة في أماكن أخرى. تشير الدراسة إلى أن أنماط النوم تحمل أدلة قيمة للفحص، لكنها لا تدعي أنها حلت تحدي التشخيص تماماً. بدلاً من ذلك، هي تقدم "إثبات مفهوم": وهو أن البيانات الموضوعية القابلة للقراءة آلياً من ليلة من النوم يمكن أن تعمل كأداة داعمة للأطباء. ومن خلال تحويل الإشارات الهادئة، وغالباً ما يتم تجاهلها، من الليل إلى معلومات واضة، يشير هذا العمل نحو مستقبل تساعد فيه التكنولوجيا في كشف الإيقاعات الخفية للدماغ، مما يوفر طريقة أكثر دقة لفهم ودعم أولئك الذين يعيشون مع اضطراب نقص الانتباه مع فرط النشاط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.