Self-Supervised Representation Learning from Ventilator Waveforms: A Pilot Feasibility Study

في وحدات العناية المركعة بالمستشفيات حول العالم، تقف آلة غالباً كحارس للمرضى الذين لا يستطيعون التنفس بمفردهم. هذه الآلة، وهي جهاز التنفس الاصطناعي، تدفع الهواء إلى الرئتين وتسحبه منهما، في دورة إيقاعية تحافظ على الحياة. لعقود من الزمن، راقب الأطباء شاشة الجهاز، التي ترسم خطوطاً مستمرة تمثل ضغط الهواء وسرعة تدفقه. هذه الخطوط، المعروفة باسم الأشكال الموجية، هي مصدر غني بالمعلومات؛ فهي تروي قصة حول كيفية عمل الرئتين، ومدى جهد المريض في التنفس، وما إذا كانت الآلة تعمل بتناغم مع الشخص. ومع ذلك، بينما يتم تدريب الأطباء على قراءة هذه الخطوط كخريطة، فإن الكميات الهائلة من البيانات التي تولدها ظلت إلى حد كبير غير مستغلة من قبل الحواسيب. كان التحدي يكمن في تعليم الآلة فهم اللغة الخفية لهذه الخطوط المتعرجة دون الحاجة إلى تدخل بشري لتصنيف كل نفس على حدة.

لقد اتخذ فريق من الباحثين في جامعة ديوك خطوة كبيرة نحو حل هذه المشكلة. فقد طوروا نظاماً حاسوبياً جديداً مصمماً للتعلم من البيانات الخام غير المصنفة لأشكال موجات التنفس الاصطناعي. وبدلاً من تغذية الحاسوب بآلاف الأمثلة حيث سبق لإنسان أن قال: "هذا نفس صحي" أو "هذا صراع"، تركوا النظام يدرس مئات الآلاف من الأنفاس بمفرده. كان الهدف هو معرفة ما إذا كان بإمكان الحاسوب اكتشاف الأنماط والقواعد الخفية التي تحكم عملية التنفس، وإنشاء ملخص رقمي موجز للحالة التنفسية. هذا النهج، المسمى بالتعلم الخاضع للإشراف الذاتي، يسمح للآلة ببناء فهمها الخاص للبيانات، تماماً كما يتعلم الطفل التعرف على الوجه من خلال رؤية العديد من الوجوه المختلفة بدلاً من إخباره بتعريف الوجه. أراد الباحثون معرفة ما إذا كان هذا النظام ذاتي التعلم يمكنه التقاط الفيزياء الأساسية للتنفس بشكل جيد بما يكفي ليكون مفيداً للمهام الطبية المستقبلية.

ولاختبار فكرتهم، بنى الفريق إطار عمل أطلقوا عليه اسم VentWaveT. قاموا بتدريبه على بيانات من 115 مريضاً في حالة حرجة، حيث غدّوا به أكثر من 255,000 نفس امتدت لما يقرب من 200 ساعة من التهوية. لم ينظر النظام إلى الأنفاس الفردية بمعزل عن بعضها البعض؛ بل فحص لقطات مدتها 15 ثانية من التدفق المستمر للهواء. كانت هذه اللقطات غالباً ما تكون غير منتظمة، تحتوي على أجزاء من أنفاس، أو أنفاس كاملة، أو عدة أنفاس مختلطة معاً. كانت مهمة الحاسوب هي النظر في هذه الأجزاء ومحاولة التنبؤ بشكل الأجزاء المفقودة من الإشارة. ومن خلال المحاولة المتكررة لملء الفجوات في البيانات، تعلم النظام إنشاء بصمة رقمية مكثفة لكل لحظة تنفس. صُممت هذه البصمة، أو "التمثيل الرقمي" (embedding)، لتضم جميع المعلومات الفسيولوجية المهمة مع استبعاد الضجيج.

بمجرد أن تعلم النظام، وضعه الباحثون تحت الاختبار ليروا ما إذا كان يفهم حقاً ما ينظر إليه. لقد طلبوا من الحاسوب أداء ثلاث مهام محددة باستخدام البصمات الرقمية التي أنشأها فقط. أولاً، طلبوا منه تحديد "الوضع" (mode) الذي تم ضبط جهاز التنفس الاصطناعي عليه. يمكن لأجهزة التنفس الاصطناعي أن تعمل بطرق مختلفة، مثل دفع الهواء بقوة ثابتة أو السماح للمريض بتحفيز النفس بجهده الخاص. نجح النظام في تحديد الوضع الصحيح في الغالبية العظمى من الحالات، محققاً دقة متوازنة تقترب من 80 بالمائة. أشارت هذه النتيجة إلى أن الحاسوب تعلم التمييز بين الأشكال والإيقاعات الفريدة المرتبطة بكل إعداد.

بعد ذلك، تحدى الباحثون النظام للتنبؤ بأرقام محددة تصف تنفس المريض. طلبوا منه تقدير معدل التنفس، أو عدد الأنفاس التي يأخذها المريض في الدقيقة، والضغط الإيجابي في نهاية الزفير، وهو إعداد يحافظ على بقاء الرئتين مفتوحتين في نهاية النفس. كانت تقديرات الحاسوب قريبة بشكل ملحوظ من القيم الفعلية المسجلة في البيانات الطبية. بالنسبة لمعدل التنفس، كان متوسط الخطأ أقل من نفسين ونصف في الدقيقة، وبالنسبة لإعداد الضغط، كان الخطأ أقل من وحدة ضغط واحدة. أشارت هذه النتائج إلى أن البصمات الرقمية تحتوي على معلومات كمية دقيقة حول فسيولوجيا المريض، وليس مجرد أنماط غامضة.

أخيراً، اختبر الفريق ما إذا كان بإمكان النظام القيام بالعكس: هل يمكنه أخذ بصمة رقمية وإعادة بناء الشكل الموجي الأصلي؟ قاموا بتغذية البيانات المضغوطة مرة أخرى في "مفكك شفرة" (decoder) لمعرفة ما إذا كان بإمكانه إعادة بناء خطوط الضغط والتدفق. كانت النتيجة تطابقاً قوذاً بين الخطوط الأصلية والخطوط المعاد بناؤها. كان الارتباط بين الاثنين عالياً، مما يعني أن الحاسوب قد حافظ على الشكل والتفاصيل الجوهرية لدورة التنفس. أثبتت هذه القدرة على إعادة بناء الإشارة أن النظام لم يكتفِ بحفظ البيانات فح، بل التقط الميكانيكا الأساسية لكيفية تفاعل جهاز التنفس الاصطناعي مع المريض.

كما قارن الباحثون نظامهم المتخصص بالنماذج الحاسوبية العامة المصممة لأنواع عديدة من البيانات الزمنية. ووجدوا أن نموذجهم المتخصص في أجهزة التنفس الاصطناعي كان يعمل بكفاءة تضاهي تلك الأدوات الواسعة والقوية، على الرغم من تدريبه على مجموعة بيانات أصغر وأكثر تحديداً. يشير هذا إلى أن أنماط التنفس البشري منظمة للغاية، وأن نموذجاً مصمماً خصيصاً لهذه المهمة يمكنه التعلم بكفاءة دون الحاجة إلى الكميات الهائلة من البيانات التي يتطلبها الذكاء الاصطناعي عادةً. كما أظهرت الدراسة أن المعلومات التي تعلمها الحاسوب كانت منظمة بطريقة يمكن للأدوات الرياضية البسيطة قراءتها بسهولة، مما يعني أن طبقات التعلم العميق المعقدة ليست ضرورية دائماً لاستخراج الإجابات.

يعمل هذا العمل كإثبات للمفهوم، حيث يوضح أن أشكال موجات التنفس الاصطناعي هي مصدر قيم للبيانات يمكن للآلات فهمه دون تدخل بشري. ويؤكد الباحثون أن هذه دراسة استطلاعية، مما يعني أنها اختبار أولي للجدوى وليست حلاً نهائياً. لقد تم تدريب النظام على بيانات من مستشفى واحد ومن عدد محدود من المرضى، كما تم اختيار المتغيرات الطبية التي توقعها النظام لاختبار التكنولوجيا بدلاً من تشخيص المرضى. ومع ذلك، فإن النتائج تفتح الباب أمام تطبيقات مستقبلية. فإذا استطاع الحاسوب تعلم قراءة هذه الأشكال الموجية بهذه الفعالية، فقد يساعد الأطباء في النهاية على مراقبة المرضى عن كثب، أو اكتشاف علامات دقيقة للضيق قد يغفل عنها البشر، أو حتى محاكاة كيفية استجابة المريض لتغييرات في العلاج. تؤسس هذه الدراسة لقاعدة جديدة لطريقة النظر إلى الرعاية الحرجة، حيث يصبح التدفق المستمر للبيانات من جهاز التنفس الاصطناعي سجلاً حياً للحالة التنفسية للمريض، جاهزاً للتحليل بواسطة الأنظمة الذكية لتحسين الرعاية.