نموذج تعلم آلي يقيس "عمر الشرايين الدماغية" من إشارات الدوبلر ويكشف تسارع الشيخوخة عند مرضى الأعصاب

توصلت دراسة جديدة إلى أن نموذج تعلم آلي (Machine Learning) مدرَّبًا على إشارات تدفق الدم المستخرجة من الموجات فوق الصوتية يمكنه تقدير العمر "الحقيقي" لشرايين الدماغ، وأن الفارق بين هذا العمر التقديري والعمر الفعلي يتسع بشكل لافت لدى المصابين بأمراض عصبية. هذه هي الخلاصة الرئيسية لدراسة حللت تسجيلات الدوبلر عبر الجمجمة (Transcranial Doppler - TCD) الثنائية لدى 445 شخصًا، منهم 168 سليمًا و277 مصابًا بحالات مشخّصة.

بنى فريق البحث تقديراته على مجموعتين من الخصائص (Features) المستخرجة من إشارة TCD للشريان الدماغي الأوسط. المجموعة الأولى جاءت من خوارزمية MOCAIP (التحليل المورفولوجي وتجميع ضغط الجمجمة)، التي طُوّرت أصلًا لوصف شكل موجة النبض، وأُعيد استخدامها هنا لقياس خصائص شكل نبضات سرعة تدفق الدم. أما المجموعة الثانية فجاءت من تحليل تقلبية معدل ضربات القلب (Heart Rate Variability)، لرصد كيفية تغيّر أنماط التدفق مع نبض القلب. غُذّيت الخصائص بمجموعتيها إلى نماذج انحدار (Regression Models) مدرَّبة لإخراج قيمة واحدة: العمر الوعائي الدماغي للشخص.

إشارة شيخوخة ثابتة حتى في الأدمغة السليمة

بين الأشخاص السليمين، جاءت تقديرات النموذج أعلى من العمر الزمني بمعدل 3.69 سنوات، وهو فارق أساسي يعتبره الباحثون نقطة مرجعية للمعايرة (Calibration) لا إشارة تحذيرية. النتيجة الأهم جاءت من مجموعة المصابين، التي قُسّمت إلى خمس فئات فرعية: 66 مصابًا بسكتة دماغية حادة، و27 في مرحلة ما بعد السكتة، و26 مصابًا بمرض الزهايمر (Alzheimer's Disease)، و23 يعانون ضعفًا إدراكيًا خفيفًا (Mild Cognitive Impairment)، و135 ضمن فئة حالات ثابتة أخرى. أظهرت كل فئة درجة مختلفة من تسارع العمر الوعائي، ما يعزز فكرة أن شيخوخة الأوعية الدماغية ليست عملية موحدة، بل تتفاوت تبعًا لطبيعة المرض الكامن.

هذا التفاوت قد يكون أهم ما قدّمته الدراسة عمليًا. فإذا كان مرضى السكتة الحادة والزهايمر يُظهرون بصمات مختلفة قابلة للقياس في شيخوخة الأوعية الدموية، فقد يتحول تقدير العمر القائم على TCD مستقبلًا إلى أداة فحص منخفضة التكلفة، تكشف التراجع الوعائي الدماغي المتسارع قبل التشخيص السريري بوقت طويل، ودون أي تدخل أكثر تعقيدًا من مسبار الموجات فوق الصوتية.

مشكلة عدم توازن البيانات

لم يتجنب الباحثون الحديث عن قيد جوهري في بنية البيانات نفسها: تتفاوت أحجام الفئات المرضية بشكل كبير، من 23 حالة ضعف إدراكي خفيف إلى 135 حالة في فئة الأمراض الثابتة العامة. هذا النوع من عدم التوازن مشكلة معروفة في التعلم الآلي الطبي، إذ تميل النماذج المدرَّبة على توزيعات فئات غير متساوية إلى الانحياز (Overfitting) نحو الفئة الأكبر حجمًا، مما يرفع الدقة الظاهرية للحالات الشائعة على حساب أداء أضعف في الحالات النادرة. وقد أشارت الدراسة صريحًا إلى هذا العامل كمؤثر في أداء النموذج، وهو اعتراف مهم لكل من يسعى لإعادة تطبيق المنهجية أو تطويرها.

كل هذا لا يجعل النموذج جاهزًا للاستخدام كأداة تشخيصية فعلية. فالعمر الوعائي المستنتج من TCD مقياس غير مباشر (Proxy)، لا علامة حيوية (Biomarker) مباشرة على المرض، وحجم العينات، وإن كان مقبولًا لدراسة سريرية متخصصة، يبقى أصغر بكثير من الحجم المطلوب لاعتماد أداة فحص في الاستخدام السريري الواسع. لكن الآلية الأساسية، أي دمج خصائص شكل الموجة مع تقلبية معدل ضربات القلب لإنتاج تقدير عمر واحد قابل للتفسير، توفر للباحثين إطار عمل قابلًا لإعادة الاختبار على عينات أكبر وأكثر توازنًا.