إن قدرة الدورة الدموية والجهاز التنفسي على تزويد العضلات الهيكلية بالأكسجين في أثناء النشاط البدني المستمر لا تُعَد فقط مقياسًا موضوعيًّا للنشاط البدني المنتظم، بل هي أيضًا مؤشر صحي مفيد في التشخيص والتنبؤ. وقد ارتبط ضعف اللياقة القلبية التنفسية بأمراض القلب والأوعية الدموية والوفاة الناجمة عن أي سبب، كما سلطت عدة دراسات الضوء على الآثار المفيدة لممارسة التمارين الرياضية. 

تُستخدَم النمذجة الإحصائية عادةً في التنبؤ بالنتائج السريرية الوخيمة، وذلك على أساس اللياقة القلبية التنفسية. وقد أظهرت بحوث سابقة أن هذا النوع من التحليل يمكنه تحديد نسبة تتراوح بين 30٪ و50٪ من المرضى المعرضين لمخاطر الوفاة المرتفعة خلال مدة ثمانية أعوام. 

ومع توسُّع استخدام التعلُّم الآلي في تحليل البيانات الطبية الحيوية، سعى معاذ الملاح وزملاؤه في برنامج أبحاث القلب والأوعية الدموية السريري التابع لمركز الملك عبد الله العالمي للأبحاث الطبية إلى تحديد إمكانية تطبيق التعلم الآلي في التنبؤ بخطر الموت في غضون 10 أعوام من الخضوع لاختبار الإجهاد بالتمارين الرياضية على جهاز السير الكهربائي بناءً على إحالة من طبيب. ويقول معاذ الملاح: "هناك مبالغة كبيرة في الحديث حول التعلُّم الآلي، لكننا لا نعرف إن كان أفضل من استخدام الأدوات الإحصائية التقليدية". 

استخدم الباحثون بيانات مأخوذة من 34212 فردًا شاركوا في مشروع هنري فورد لاختبار ممارسة التمارين الرياضية، وهي أكبر دراسة لياقة بدنية حتى وقتنا الحاضر. ضمَّ المشروع ما يقرب من 70000 شخص بالغ من ديترويت بولاية ميشيجان، أكملوا اختبار الإجهاد بممارسة التمارين الرياضية بين عامي 1991 و2009. وقد ركز الملاح وزملاؤه على المرضى الذين لم يكونوا مصابين بمرض الشريان التاجي أو قصور القلب في وقت الاختبار، والذين أجروا متابعةً كاملةً لمدة 10 أعوام. 

وقد وجد الباحثون أن منهج التعلُّم الآلي -الذي يتضمن خوارزميات حاسوبية يمكنها التعلُّم من مجموعات بيانات معقدة والتنبؤ على أساسها- كان أكثر دقةً من الطرق الإحصائية التقليدية في تحديد خطر الموت لدى مجموعة متماثلة من المرضى. استخدمت خوارزمية التعلم الآلي بيانات مرتبطة بـ15 متغيرًا تتضمن العمر، ومعدل ضربات القلب، وضغط الدم، والسبب في اختبار ممارسة التمارين الرياضية، والتاريخ العائلي- للتنبؤ باحتمالية الوفاة الناجمة عن أي سبب. وقد حدَّد النهج -الذي يتمتع بدقة تزيد على 90٪- المشاركين الذين كان خطر وفاتهم مرتفعًا. 

ويوضح الملاح قائلًا: "تفوق التعلم الآلي على الأدوات الإحصائية من جميع الجوانب. ويرجع ذلك بشكل جزئي إلى حجم العينة الكبير، وهو الأمر المعروف بكونه ضروريًّا من أجل الأداء الجيد للتعلُّم الآلي". 

يعمل الفريق الآن على اختبار التعلم الآلي على النتائج الأخرى، ويأمل أن تكون لديه قدرة تنبُّئِية مماثلة. يتوقع الملاح أنْ سيكون للتعلم الآلي تأثير كبير على التشخيص والتنبؤ الطبي؛ بفضل قدرته على تحليل الصور والتعرف على الأنماط. ويقول الملاح: "في المستقبل، ستكون مهمة مصور الأشعة تأكيد نتائج التعلم الآلي بدلاً من تفسير الصور".

References