هل يمكن لساعة ذكية أن تتنبأ بالمخاطر الصحية؟ تعرض الباحثة في مرحلة الدكتوراه Marta Arbizu Gómez كيف يستخدم نموذج الذكاء الاصطناعي SensorFM بيانات الأجهزة القابلة للارتداء لتحليل الأنماط الفسيولوجية وتأثيرها في التقييم السريري والعصبي النفسي.
يُحدث دمج الذكاء الاصطناعي مع الأجهزة القابلة للارتداء تحولاً في الجمع المستمر للبيانات الصحية. يحلل هذا المقال الإمكانات السريرية لنموذج SensorFM، وهو نموذج تأسيسي جديد يحوّل تسجيل المؤشرات الحيوية الرقمية إلى معلومات مهمة للتأهيل العصبي والتقييم المعرفي. اكتشف كيف يمكن للمراقبة الفسيولوجية السلبية لمتغيرات مثل النوم والنشاط والحالة الانفعالية أن تكمل التدخل التقليدي وتفتح آفاقاً جديدة للمتابعة السريرية الشخصية.
ما المعلومات التي يمكن استخراجها من جهاز قابل للارتداء؟
تسجل الساعات والأساور الذكية باستمرار معلومات عن نشاطنا البدني ووظائفنا الفسيولوجية. ويمكنها على مدار اليوم قياس الحركة ومعدل ضربات القلب وتباين معدل ضربات القلب وتشبع الأكسجين ودرجة حرارة الجلد والنشاط الكهروجلدي ومراحل النوم المختلفة.
لكن تحويل هذه الإشارات إلى معلومات ذات فائدة سريرية لا يزال تحدياً. فقد تختلف القياسات بين الأشخاص والأجهزة وأوقات اليوم، وغالباً ما تنقطع البيانات عندما يخلع المستخدم الساعة أو تنفد البطارية أو يتوقف أحد المستشعرات عن التسجيل بصورة صحيحة.
إضافة إلى ذلك، يتطلب تطوير خوارزمية مختلفة لكل مشكلة صحية توافر كميات كبيرة من البيانات الموسومة على نحو صحيح، وهو أمر صعب ومكلف على نحو خاص في مجال الرعاية الصحية.
لتجاوز هذه القيود، طوّر فريق من Google Research ومؤسسات أخرى SensorFM، وهو نموذج تأسيسي للـذكاء اصطناعي دُرّب على تعلّم تمثيلات عامة للصحة من بيانات واردة من الأجهزة القابلة للارتداء. وتبحث الدراسة، المنشورة كمسودة بحثية أولية، فيما إذا كان بإمكان نموذج واحد الاستفادة من هذه الإشارات لإجراء تنبؤات تتعلق بمجالات صحية مختلفة.
ما النموذج التأسيسي لبيانات الصحة؟
تُدرّب النماذج التأسيسية على كميات هائلة من المعلومات، عادةً من دون الحاجة إلى إرفاق وسم محدد بكل معلومة. وخلال هذه العملية، يتعلم النموذج أنماطاً عامة يمكن تكييفها لاحقاً مع مهام متعددة.
يتبع SensorFM هذا النهج، لكنه بدلاً من التعلم من النصوص أو الصور، يستخدم سلاسل زمنية مسجلة بواسطة المستشعرات.
دُرّب النموذج مسبقاً باستخدام:
- أكثر من تريليون دقيقة من البيانات.
- معلومات من خمسة ملايين شخص.
- مشاركين من أكثر من 100 دولة.
- أكثر من 20 طرازاً من أجهزة Fitbit وPixel Watch.
- خمسة أنواع رئيسية من المستشعرات: تخطيط التحجم الضوئي، ومقياس التسارع، ودرجة حرارة الجلد، والنشاط الكهروجلدي، ومقياس الارتفاع.
استناداً إلى هذه المستشعرات، استخرج الباحثون 34 متغيراً سُجلت كل دقيقة، من بينها معدل ضربات القلب ومقاييس مختلفة لتباين معدل ضربات القلب وتشبع الأكسجين والخطوات ودرجة حرارة الجلد ومراحل النوم.
حلل النموذج نوافذ كاملة مدتها 24 ساعة، وتعلم إعادة بناء أجزاء من المعلومات التي أُخفيت اصطناعياً. وبهذه الطريقة، لم يتعلم القيم الفردية لكل إشارة فحسب، بل تعلم أيضاً العلاقات بينها وكيفية تطورها على مدار اليوم.
ما الذي أراد الباحثون اكتشافه؟
ركزت الدراسة على ثلاثة أسئلة رئيسية:
- أراد الباحثون أولاً التحقق مما إذا كانت زيادة كمية البيانات وحجم النموذج في الوقت نفسه تؤدي إلى تحسينات يمكن التنبؤ بها في أدائه.
- ثانياً، قيّموا إمكانية إعادة استخدام التمثيلات المتعلمة للتنبؤ بجوانب صحية مختلفة، حتى عند توافر عدد قليل من العينات الموسومة.
- وأخيراً، بحثوا فيما إذا كان من الممكن دمج تنبؤات SensorFM في مساعد صحي شخصي قائم على الذكاء الاصطناعي لإنتاج إجابات أكثر صلة وتخصيصاً وأماناً.
لتقييم النموذج، استخدم الباحثون معلومات مستقلة من 13.985 مشاركاً، مأخوذة من ثلاث دراسات مستقبلية تناولت الصحة الأيضية والقلبية الوعائية والصحة النفسية والنوم.
نموذج واحد لـ35 مهمة متعلقة بالصحة
قُيّم SensorFM في 35 مهمة مختلفة، صُنفت ضمن ستة مجالات رئيسية:
- صحة القلب والأوعية الدموية.
- الصحة الأيضية.
- الصحة النفسية.
- النوم.
- نمط الحياة.
- الخصائص الديموغرافية والفسيولوجية.
شملت المتغيرات التي خضعت للتحليل مخاطر أمراض القلب والأوعية الدموية وارتفاع ضغط الدم والسكري ومقاومة الأنسولين ومستويات الهيموغلوبين السكري والدهون الثلاثية والاكتئاب والقلق والضغط النفسي المدرك واضطرابات النوم.
استُخدم النموذج أيضاً لتقدير خصائص مثل العمر ومؤشر كتلة الجسم والطول والوزن. ولا ينبغي بالضرورة تفسير هذه المتغيرات على أنها أهداف سريرية بحد ذاتها، بل كوسيلة للتحقق من مقدار المعلومات الفسيولوجية والسلوكية التي تعلمها النظام.
ما أبرز النتائج؟
تُظهر النتائج أن النموذج تعلم تمثيلاً قابلاً للتعميم للفسيولوجيا والسلوك المسجلين بواسطة الأجهزة القابلة للارتداء.
تفوق SensorFM على النماذج التقليدية الخاضعة للإشراف والمبنية على متغيرات صُممت يدوياً في 34 من أصل 35 مهمة خضعت للتقييم. أي إن التمثيلات التي تعلمها النموذج مباشرةً من كميات كبيرة من البيانات كانت أكثر إفادة من الملخصات التقليدية المحسوبة للإشارات نفسها.
إضافة إلى ذلك، تحسن الأداء مع الزيادة المتزامنة في عدد المشاركين المستخدمين أثناء التدريب وسعة النموذج. وحققت النسخة الأكبر أفضل النتائج في 33 من أصل 35 مهمة.
لاحظ الباحثون أيضاً أن النماذج الأكبر حجماً كانت أقل اعتماداً على المعلومات الديموغرافية المضافة لاحقاً. ويشير ذلك إلى أن بعض الفروق الفسيولوجية المرتبطة بمتغيرات مثل العمر أو مؤشر كتلة الجسم ربما كانت ممثلة بالفعل في الأنماط المسجلة بواسطة المستشعرات.
التعلم باستخدام عدد أقل من البيانات الموسومة سريرياً
كانت إحدى أبرز النتائج قدرة النموذج على التكيف مع مهام جديدة باستخدام عدد قليل نسبياً من البيانات الموسومة.
في الأبحاث الصحية، يسهل نسبياً جمع معلومات مستمرة بواسطة ساعة ذكية، لكن الحصول على تشخيصات مؤكدة أو تحاليل دم أو استبيانات سريرية مكتملة أكثر كلفة بكثير.
وبفضل تعلم الأنماط العامة مسبقاً من ملايين المشاركين، احتاج SensorFM إلى أمثلة موسومة أقل لتطوير نماذج تنبؤية جديدة. وقد تسهّل هذه الكفاءة دراسة مشكلات صحية لا تتوافر لها سوى مجموعات سريرية صغيرة أو معلومات محدودة.
ومع ذلك، استمرت الدقة في التحسن عند توافر مزيد من البيانات الموسومة؛ لذلك لا يلغي النموذج الحاجة إلى عينات سريرية ممثلة وموصوفة على نحو صحيح.
هل يستطيع إعادة بناء البيانات المفقودة؟
غالباً ما تكون بيانات الأجهزة القابلة للارتداء غير مكتملة. فقد يخلع المستخدم الساعة جزءاً من اليوم، أو ينفصل أحد المستشعرات، أو تتضمن الإشارات أخطاء.
دُرّب SensorFM خصيصاً للتعامل مع نقص المعلومات هذا. وفي الاختبارات التي أُجريت، تفوق على الطرق المرجعية في مهام مختلفة لإعادة البناء:
- 74,8% في استكمال البيانات المحذوفة عشوائياً.
- 38,8% في إعادة بناء الفترات الزمنية الوسيطة.
- 39,6% في التنبؤ بالفترات الواقعة في نهاية السجل.
- 83,7% عند غياب إشارات كاملة من مستشعرات معينة.
حاكى الباحثون أيضاً فقدان ساعة كاملة من البيانات. وبعد إعادة بناء تلك الفترة، حافظ النموذج على دقة بلغت 99,7% في تقدير عدد الخطوات اليومية، و99,9% في تقدير مدة النوم العميق، و99,2% في تقدير دقائق التمارين الخفيفة.
وقد تساعد هذه القدرة على منع انقطاع عارض من تحريف الملخصات اليومية المقدمة للمستخدم.
وكلاء الذكاء الاصطناعي لتكييف النموذج
مع أن التمثيلات التي تعلمها SensorFM أمكن استخدامها مع نماذج إحصائية بسيطة نسبياً، استكشف الباحثون أيضاً استراتيجية آلية لتحسين تكييفه مع كل مهمة.
ولتحقيق ذلك، أنشأوا ما يشبه «فصلاً دراسياً» يضم عدة وكلاء قائمين على نماذج لغوية. أنشأ هؤلاء الوكلاء الشيفرات البرمجية، ودرّبوا حلولاً مختلفة، وقارنوا النتائج، وعدّلوا مقترحاتهم تدريجياً.
وأجرى النظام أكثر من 30.000 تجربة آلية إجمالاً.
حسّنت الحلول التي توصل إليها الوكلاء الأداء مقارنة بالنماذج الخطية في 16 من أصل 20 مهمة تصنيف، وفي 12 من أصل 15 مهمة انحدار.
تشير هذه النتيجة إلى إمكانية أتمتة جزء من عملية تطوير النماذج التنبؤية. ومع ذلك، لا بد من مواصلة مراجعة الحلول المنشأة والتحقق منها بصرامة، ولا سيما عند تطبيقها على المعلومات الصحية.
من بيانات الساعة إلى مساعد صحي شخصي
دمج الباحثون لاحقاً تنبؤات SensorFM في مساعد صحي شخصي قائم على نموذج لغوي.
كان الهدف التحقق مما إذا كان المساعد يستطيع الإجابة عن الأسئلة الصحية على نحو أفضل عندما تتوافر له، إلى جانب البيانات الديموغرافية والملخصات اليومية للجهاز القابل للارتداء، التقديرات التي ينتجها SensorFM.
استُخدمت 31 حالة واقعية وأُنشئت الإجابات في ظل ثلاثة شروط:
- البيانات الديموغرافية والمقاييس اليومية للجهاز القابل للارتداء.
- البيانات الديموغرافية والمقاييس اليومية وتنبؤات SensorFM.
- البيانات الديموغرافية والمقاييس اليومية والقيم السريرية الفعلية.
يلخص الشكل 1 آلية عمل النظام وتصميم التقييم. يحوّل SensorFM البيانات المسجلة بواسطة الجهاز القابل للارتداء إلى تنبؤات صحية تُضاف كسياق إضافي للمساعد قبل إنشاء إجابة مخصصة.

قيّم أربعة اختصاصيين في الرعاية الصحية الإجابات بناءً على سياقها وصلتها وتخصيصها وتبريرها ومخاطرها المحتملة. وبلغ مجموع التقييمات 1.860 تقييماً سريرياً.
كانت الإجابات التي تضمنت تنبؤات SensorFM أفضل بدرجة دالة إحصائياً من الإجابات التي استندت إلى الملخصات اليومية وحدها. كما لم تُسجّل فروق ذات دلالة إحصائية بين الإجابات التي أُنشئت باستخدام تنبؤات النموذج وتلك التي استخدمت القيم السريرية الفعلية.
لا تعني هذه النتيجة أن SensorFM يستطيع أن يحل محل التقييم الطبي. بل تشير إلى أن تنبؤاته وفّرت للمساعد سياقاً إضافياً مفيداً لإنتاج إجابات أكثر تحديداً واتساقاً.
ما قيود الدراسة؟
على الرغم من ضخامة البيانات المستخدمة، ينبغي تفسير النتائج بحذر.
أولاً، العمل مسودة بحثية أولية، ولذلك لم يستكمل بعد إجراءات مراجعة الأقران التقليدية.
دُرّب النموذج أساساً على أجهزة Fitbit وPixel Watch. ولا يوجد ما يضمن أداءه بالطريقة نفسها مع منتجات شركات أخرى، إذ قد تختلف مستشعراتها وطرق معالجتها.
إضافة إلى ذلك، استُخدمت متغيرات مجمعة كل دقيقة، لا الإشارات الفسيولوجية الأصلية. ويتيح ذلك تحليل فترات طويلة، لكنه قد يؤدي إلى فقدان معلومات عالية التردد مهمة لبعض التطبيقات السريرية.
استند بعض النتائج المستخدمة لتقييم النموذج إلى تشخيصات أبلغ عنها المشاركون بأنفسهم أو إلى الأدوية أو استبيانات التحري، وليس دائماً إلى تشخيصات سريرية مؤكدة. كما وُجدت فروق بين عينة الدراسة والسكان عموماً، إذ زادت فيها نسبة النساء ومستخدمي الأجهزة القابلة للارتداء.
وأخيراً، اقتصر تقييم المساعد الصحي الشخصي على إجابات ثابتة ومن جولة واحدة. أما التفاعل السريري الفعلي فيتطلب أسئلة إضافية ومراجعة للسياق ومتابعة طولية.
ما الآثار المحتملة في الصحة الرقمية؟
تطرح هذه الدراسة انتقالاً من خوارزميات صُممت لمهمة واحدة إلى نماذج عامة قادرة على إعادة استخدام التمثيل نفسه لمشكلات صحية مختلفة.
توفر الأجهزة القابلة للارتداء رؤية طولية للأداء اليومي، على خلاف القياسات التي تُجرى في وقت محدد أثناء الاستشارة. ويمكنها، عند دمجها بنماذج جرى التحقق من صلاحيتها على نحو ملائم، المساعدة في تحديد التغيرات الفسيولوجية أو السلوكية، واختيار الأشخاص الذين يحتاجون إلى تقييم أعمق، وإجراء متابعة أكثر استمرارية.
في مجالي طب الأعصاب وعلم النفس العصبي، قد تكون هذه التقنية مفيدة على نحو خاص لدراسة التغيرات في النوم والنشاط والروتين اليومي والاستجابة اللاإرادية والحالة الانفعالية. وقد تصاحب هذه التغيرات أمراضاً عصبية ونفسية مختلفة، لكن لا ينبغي اعتبار التنبؤات المستخلصة من الأجهزة القابلة للارتداء تشخيصات.
كيف يمكن أن تسهم NeuronUP؟
يمكن استكمال المعلومات السلبية المستقاة من الأجهزة القابلة للارتداء بتقييمات معرفية وبرامج تدخل منظمة.
تتيح منصات مثل NeuronUP تقييم مجالات مثل الانتباه والذاكرة والوظائف التنفيذية واللغة والإدراك الاجتماعي والعمل عليها. وقد يتيح الجمع مستقبلاً بين المقاييس المعرفية والبيانات الطولية المتعلقة بالنوم والنشاط والفسيولوجيا تكوين صورة أشمل عن مسار كل شخص.
وقد يسهم هذا الدمج في تيسير تخصيص التدخلات واكتشاف التغيرات الوظيفية ومتابعة الاستجابة للعلاج. ويتطلب ذلك إجراء دراسات سريرية محددة، وتطوير نماذج قابلة للتفسير، ووضع بروتوكولات تضمن خصوصية المستخدمين وإنصافهم وسلامتهم.
الخلاصة
يوضح SensorFM أن التدريب واسع النطاق باستخدام بيانات غير موسومة من الأجهزة القابلة للارتداء يمكن أن ينتج تمثيلات مفيدة في مجالات صحية متعددة.
تفوق النموذج على الطرق التقليدية في معظم المهام التي خضعت للتحليل، وتمكن من إعادة بناء البيانات المفقودة، كما أضاف معلومات إلى مساعد صحي شخصي. ومع ذلك، ينبغي فهم تنبؤاته على أنها أدوات محتملة للتحري وتصنيف المخاطر والمتابعة، لا بدائل للتشخيص السريري.
تمثل النتائج خطوة نحو أنظمة قادرة على تحويل كميات كبيرة من البيانات اليومية إلى معلومات مخصصة. وسيتمثل التحدي الآن في إثبات حفاظ هذه الأدوات على دقتها وسلامتها وفائدتها عند تطبيقها على مجموعات سريرية متنوعة وفي سياقات الرعاية الصحية الواقعية.
المراجع
- Narayanswamy G, Xu MA, Heydari AA, et al. Towards a General Intelligence and Interface for Wearable Health Data. arXiv. 2026. https://doi.org/10.48550/arXiv.2605.22759
الأسئلة الشائعة حول الذكاء الاصطناعي والأجهزة القابلة للارتداء في التأهيل العصبي
1. ما نموذج SensorFM وكيف يُستخدم في الصحة الرقمية؟
SensorFM نموذج تأسيسي للذكاء الاصطناعي، طورته Google Research ومؤسسات أخرى، ودُرّب على أكثر من تريليون دقيقة من البيانات المستقاة من الأجهزة القابلة للارتداء. ويتعلم أنماطاً عامة من الإشارات الحيوية لإجراء تنبؤات يمكن تطبيقها على مهام صحية متعددة، من جودة النوم إلى مؤشرات الصحة الأيضية والنفسية.
2. ما فوائد المؤشرات الحيوية الرقمية للتأهيل العصبي؟
توفر الساعات والأساور الذكية رؤية طولية ومستمرة للأداء اليومي للمستخدم، إذ تسجل مقاييس مثل تباين معدل ضربات القلب ومراحل النوم والنشاط البدني. وتكمل هذه المراقبة السلبية التقييمات المحددة زمنياً في العيادة، ما يتيح لاختصاصيي علم النفس العصبي تحديد التغيرات الطفيفة في الروتين والاستجابة اللاإرادية أو الحالة الانفعالية المرتبطة بحالات مرضية مختلفة.
3. كيف يعالج الذكاء الاصطناعي فقدان البيانات في الساعات الذكية؟
غالباً ما تنقطع بيانات الأجهزة القابلة للارتداء بسبب نفاد البطارية أو خلع المستخدم الجهاز. ودُرّبت نماذج مثل SensorFM على إعادة بناء هذه المعلومات المفقودة؛ ففي المحاكاة التي غابت فيها ساعة كاملة من التسجيل، حافظ النظام على دقة تتجاوز 99% في تقدير النوم العميق والخطوات اليومية.
4. هل يمكن لتنبؤات الأجهزة القابلة للارتداء أن تحل محل التشخيص السريري؟
لا. فالمتغيرات التي تقدرها النماذج التأسيسية من بيانات الأجهزة القابلة للارتداء لا تمثل أهدافاً أو تشخيصات سريرية بحد ذاتها. وتُستخدم أدوات للتحري والمتابعة توفر سياقاً إضافياً قيّماً لتخصيص التدخلات، لكن يجب دائماً دمجها مع تقييمات سريرية منظمة وإشراف اختصاصي رعاية صحية.







التشخيص التفريقي في إصابات الدماغ المكتسبة: مفاتيح عصبية نفسية للممارسة السريرية
اترك تعليقاً