المستخلص أصبحت الأجهزة الطبية القابلة للارتداء أدوات هامة للمتابعة القلبية المستمرة. يقيس تخطيط القلب الكهربائي (ECG) النشاط الكهربائي للقلب، بينما تستخدم تخطيط التحجم الضوئي (PPG) مستشعرات ضوئية لرصد التغيرات في حجم الدم. ومع ذلك، فإن العوامل المصطنعة الناتجة عن الحركة، وضعف تلامس المستشعر، والتداخل البيئي يمكن أن تؤدي إلى خفض جودة الإشارة والتأثير على دقة القياس. ويوفر الذكاء الاصطناعي طرقاً فعالة للتعرف التلقائي على الإشارات غير الموثوقة. تناقش هذه المقالة طرق تقييم جودة الإشارات القائمة على الذكاء الاصطناعي، ومجموعات البيانات المتاحة، وتقييم الأداء، والتحقق السريري. كما تسلط الضوء على التحديات الحالية والتطورات المستقبلية في تكنولوجيا الرعاية الصحية القابلة للارتداء. * المقدمة تُستخدم الأجهزة القابلة للارتداء بشكل متزايد لمتابعة النشاط القلبي أثناء الحياة اليومية. وهي توفر بيانات فسيولوجية مستمرة وقد تساعد في تحديد التغيرات التي تتطلب تقييماً طبياً إضافياً. وعلى الرغم من مزاياها، فإن إشارات تخطيط القلب وتخطيط التحجم الضوئي حساسة للتشويش وظروف التسجيل. على سبيل المثال، قد تؤدي الحركة إلى ظهور عوامل مصطنعة، بينما قد يتسبب وضع المستشعر بشكل خاطئ في الحصول على إشارات غير مكتملة أو مشوهة. وقد تؤثر هذه المشكلات على تقدير معدل ضربات القلب وتحليلات القلب الأخرى. لذلك، يعد تقييم جودة الإشارة أمراً اساسياً لتحديد ما إذا كانت الإشارة المسجلة مناسبة للمعالجة اللاحقة. ويمكن لتقنيات الذكاء الاصطناعي أتمتة هذه العملية وتحسين موثوقية أنظمة المتابعة القابلة للارتداء. * طرق تقييم جودة الإشارات القائمة على الذكاء الاصطناعي يمكن استخدام خوارزميات مختلفة للذكاء الاصطناعي للتعرف على خصائص الإشارة المرتبطة بالجودة الجيدة أو الرديئة. • آلة الدعم المتجه (SVM): تصنف أجزاء الإشارة باستخدام ميزات مثل القياسات الإحصائية وخصائص الشكل الموجي. • الغابة العشوائية (Random Forest): تستخدم أشجار قرار متعددة للتمييز بين الإشارات الموثوقة والتسجيلات المشوشة. • الشبكات العصبية التفافية (CNN): تتعلم أنماط الشكل الموجي المهمة مباشرة من بيانات الإشارة. • الطرق الهجينة: تجمع بين معالجة الإشارات التقليدية، وخوارزميات الذكاء الاصطناعي، ومعلومات مستشعرات الحركة لتحسين التصنيف. يمكن لهذه الطرق تصنيف الإشارات إلى فئات ذات جودة مقبولة وضعيفة. ويمكن بعد ذلك استخدام النتائج لرفض الأجزاء غير الموثوقة، أو طلب تسجيل جديد، أو السماح بمزيد من التحليل. * مجموعات البيانات المعيارية وتقييم الأداء تُعد مجموعات البيانات العامة أمراً مهمها لتدريب وتقييم نماذج الذكاء الاصطناعي. توفر منصة PhysioNet قواعد بيانات لتخطيط القلب، بينما تتضمن قاعدة البيانات PPG-DaLiA قياسات فسيولوجية قابلة للارتداء جُمعت أثناء الأنشطة اليومية، بما في ذلك بيانات تخطيط التحجم الضوئي والبيانات المرتبطة بالحركة. يقيم الباحثون أداء النماذج باستخدام عدة مقاييس: • الدقة (Accuracy): نسبة الإشارات المصنفة بشكل صحيح. • الحساسية (Sensitivity): القدرة على اكتشاف الإشارات رديئة الجودة. • النوعية (Specificity): القدرة على التعرف على الإشارات ذات الجودة المقبولة. • مقياس F1 (F1-score): مقياس يجمع بين الدقة والاستدعاء. يُعد اختبار النماذج على مشاركين مستقلين ومجموعات بيانات مختلفة أمراً أساسياً لتحديد ما إذا كان بإمكانها العمل بشكل موثوق في ظل ظروف تسجيل متنوعة. * التحقق السريري والتحديات يحدد التحقق السريري ما إذا كان نموذج الذكاء الاصطناعي موثوقاً في تطبيقات الرعاية الصحية العملية. ويجب اختبار النموذج باستخدام بيانات لم يتم تضمينها أثناء التدريب، وحينما يتسنى ذلك، تسجيلات من أجهزة مختلفة ومجتمعات مرضية متنوعة. لا تزال هناك تحديات عديدة، بما في ذلك العوامل المصطنعة الناتجة عن الحركة، ومحدودية بيانات التدريب، وعدم اتساق علامات الجودة، والاختلافات بين تقنيات المستشعرات. بالإضافة إلى ذلك، قد تتطلب نماذج الذكاء الاصطناعي المعقدة قوة حوسبية وطاقة أكبر مما يمكن للأجهزة القابلة للارتداء توفيره. إن دقة التصنيف العالية وحدها لا تكفي. بل يجب على الباحثين أيضاً تحديد ما إذا كان تقييم جودة الإشارة يحسن دقة القياسات اللاحقة، مثل تقدير معدل ضربات القلب. * الاتجاهات المستقبلية يجب أن تركز الأبحاث المستقبلية على تطوير نماذج ذكاء اصطناعي تعمل بشكل موثوق عبر الأجهزة القابلة للارتداء المختلفة ومجتمعات المرضى. وقد يساعد دمج إشارات تخطيط القلب أو تخطيط التحجم الضوئي مع بيانات مقياس التسارع في التعرف على العوامل المصطنعة المرتبطة بالحركة. كما تُعد الخوارزميات خفيفة الوزن والمعالجة الفورية أمراً هاماً لتقليل استهلاك الطاقة وتمكين المتابعة المستمرة. علاوة على ذلك، يمكن أن يؤدي التحقق الخارجي وطرق التيقييم الشفافة إلى تعزيز الثقة في التقنيات الطبية القائمة على الذكاء الاصطناعي. * الخاتمة يقدم تقييم جودة الإشارات القائم على الذكاء الاصطناعي نهجاً واعداً لتحسين موثوقية أجهزة تخطيط القلب وتخطيط التحجم الضوئي القابلة للارتداء. يمكن أن تساعد التعلم الآلي، والتعلم العميق، والطرق الهجينة في التعرف على الإشارات غير الموثوقة قبل إجراء مزيد من التحليل. ومع ذلك، فإن التطبيق السريري الفعال يتطلب مجموعات بيانات معيارية مناسبة، واختبارات مستقلة، وكفاءة حسابية، وتحققاً سريرياً. قد تدعم الأبحاث المستمرة في هذه المجالات متابعة قلبية أكثر موثوقية وفاعلية باستخدام الأجهزة القابلة للارتداء.