هوش مصنوعی در توان‌بخشی سکته مغزی؛ مروری ساختاریافته بر شواهد بالینی
مؤسسه فناوری پکن — ۲۲ اکتبر ۲۰۲۶
سکته مغزی یکی از علل اصلی ناتوانی‌های بلندمدت است و روند بهبودی افراد در حوزه‌های مختلف، از جمله عملکرد حرکتی، توانایی‌های شناختی، ارتباطات و انجام فعالیت‌های روزمره، تفاوت چشمگیری دارد. به همین دلیل، ارزیابی مستمر وضعیت بیمار و ارائه برنامه توان‌بخشی متناسب با نیازهای فردی او ضروری است. با این حال، تصمیم‌گیری‌های کنونی در حوزه توان‌بخشی همچنان تا حد زیادی به ارزیابی‌های بالینی در فواصل زمانی مشخص، تجربه درمانگران و منابع موجود در مراکز درمانی متکی است؛ عواملی که ممکن است تفاوت‌های مربوط به ویژگی‌های ضایعه مغزی، وضعیت عملکردی اولیه، بیماری‌های همراه و مسیر بهبودی هر بیمار را به‌طور کامل منعکس نکنند. دسترسی به خدمات نیز به دلیل موانع جغرافیایی، توزیع نامتوازن ظرفیت مراکز درمانی و پیگیری‌های ناپیوسته محدود می‌شود.
هوش مصنوعی به‌طور فزاینده‌ای در زمینه‌های مختلفی از جمله تصویربرداری سکته مغزی، پیش‌آگهی زودهنگام، پیش‌بینی نتایج توان‌بخشی، ارزیابی حرکات و شاخص‌های فیزیولوژیک، تمرین‌های کمکی با ربات و واقعیت مجازی، رابط‌های مغز و رایانه، پایش با ابزارهای پوشیدنی و توان‌بخشی از راه دور مورد بررسی قرار گرفته است. این فناوری‌ها فرصت‌های تازه‌ای برای ارائه مراقبت‌های پیوسته‌تر و سازگارتر با وضعیت هر بیمار فراهم می‌کنند.
با این حال، تشخیص در مرحله حاد، پیش‌آگهی زودهنگام و ارزیابی پیامدهای اختصاصی توان‌بخشی، با وجود پاسخ‌گویی به پرسش‌های بالینی متفاوت، اغلب در کنار یکدیگر بررسی می‌شوند. همچنین، شواهد مربوط به بسیاری از کاربردهای هوش مصنوعی در توان‌بخشی همچنان عمدتاً به مجموعه‌داده‌های کوچک، اعتبارسنجی داخلی یا مطالعات اولیه امکان‌سنجی محدود است. بنابراین، عملکرد فنی یک سامانه را نباید معادل اثربخشی آن در توان‌بخشی دانست. این وضعیت ضرورت انجام مروری ساختاریافته را نشان می‌دهد که کاربردهای هوش مصنوعی را بر اساس نقاط تصمیم‌گیری بالینی، ارتباط آن‌ها با توان‌بخشی، میزان بلوغ فرایند اعتبارسنجی و آمادگی برای ورود به عمل بالینی دسته‌بندی کند.
ویهوآ سونگ، نویسنده و پژوهشگر دانشگاه پزشکی پایتخت
در این پژوهش، از روش مرور روایتی ساختاریافته استفاده شد. پژوهشگران با جست‌وجوی نظام‌مند در پایگاه‌های PubMed/MEDLINE، IEEE Xplore، Web of Science و Scopus، مطالعات مربوط به هوش مصنوعی و توان‌بخشی سکته مغزی را که از ژانویه ۲۰۱۰ تا مارس ۲۰۲۵ منتشر شده بودند، شناسایی کردند. برای افزایش شفافیت فرایند انتخاب مطالعات نیز از رویکردی مشابه دستورالعمل PRISMA استفاده شد. جست‌وجوها در مجموع ۱٬۲۴۷ رکورد را به دست دادند و پس از حذف موارد تکراری، غربالگری عنوان و چکیده و بررسی متن کامل، ۱۰۸ مقاله برای ترکیب موضوعی شواهد انتخاب شد.
داوران اطلاعات مربوط به طراحی مطالعه، روش هوش مصنوعی، حجم نمونه، حوزه توان‌بخشی، پیامدهای بررسی‌شده، عملکرد مدل، روش‌های اعتبارسنجی و محدودیت‌های گزارش‌شده را استخراج کردند. شواهد در چهار محور اصلی سازمان‌دهی شد: پیش‌بینی پیامدهای توان‌بخشی با هوش مصنوعی؛ ارزیابی و پایش در فرایند توان‌بخشی؛ مداخله و مدیریت درمانی؛ و ادغام هوش مصنوعی با رباتیک، واقعیت مجازی، رابط‌های مغز و رایانه، فناوری‌های پوشیدنی و توان‌بخشی از راه دور. نکته مهم این است که این مرور میان شواهد مربوط به تشخیص یا پیش‌آگهی در مرحله حاد و پیامدهای اختصاصی توان‌بخشی تمایز قائل می‌شود و هر کاربرد را بر اساس کیفیت اعتبارسنجی، ارتباط با نیازهای بالینی و موانع اجرا ارزیابی می‌کند.
یکی از کاربردهای مهم هوش مصنوعی در توان‌بخشی سکته مغزی، پیش‌بینی وضعیت عملکردی بیمار در آینده با استفاده از مقیاس‌های بالینی، تصاویر پزشکی، الکتروانسفالوگرافی (EEG)، داده‌های حسگرهای پوشیدنی و اطلاعات جمعیت‌شناختی است. مطالعات موجود، پیش‌بینی وضعیت عملکردی در ۹۰ روز، تغییرات شاخص بارتل، امتیازهای عملکرد حرکتی، بهبودی زبان و توانایی‌های شناختی، بهبود کیفیت زندگی و مرگ‌ومیر بلندمدت را بررسی کرده‌اند. در این پژوهش‌ها از یادگیری ماشین، یادگیری عمیق و مدل‌های تبیین‌پذیر برای شناسایی عوامل مرتبط با مسیر بهبودی استفاده شده است.
تصویربرداری در مرحله حاد و مدل‌های پیش‌آگهی زودهنگام می‌توانند اطلاعات اولیه‌ای درباره میزان ضایعه مغزی، شدت اولیه بیماری و پاسخ به درمان فراهم کنند؛ اطلاعاتی که ممکن است در برنامه‌ریزی مراحل بعدی توان‌بخشی مؤثر باشند. در مقابل، پیش‌بینی اختصاصی پیامدهای توان‌بخشی مستقیماً بر تغییرات عملکرد حرکتی، توانایی انجام فعالیت‌های روزمره، مشارکت در زندگی و پیامدهای گزارش‌شده از سوی بیمار در طول زمان تمرکز دارد.
با این حال، بیشتر مطالعات موجود گذشته‌نگر، کوچک یا تک‌مرکزی هستند و عمدتاً به اعتبارسنجی داخلی متکی‌اند. اعتبارسنجی خارجی مستقل در چند مرکز و مطالعات آینده‌نگر برای سنجش تأثیر واقعی این فناوری‌ها بر عملکرد بالینی هنوز به‌ندرت انجام شده است. بنابراین، دقت بالای پیش‌بینی می‌تواند نشان‌دهنده ظرفیت هوش مصنوعی برای طبقه‌بندی بیماران بر اساس میزان خطر باشد، اما به‌تنهایی ثابت نمی‌کند که درمان هدایت‌شده با هوش مصنوعی، نتایج توان‌بخشی را بهبود می‌دهد.
هوش مصنوعی به‌طور فزاینده‌ای برای خودکارسازی ارزیابی و پایش مداوم عملکرد حرکتی، وضعیت بدن، راه‌رفتن و روند پیشرفت توان‌بخشی پس از سکته مغزی به کار گرفته می‌شود. این سامانه‌ها می‌توانند در کنار مقیاس‌های بالینی متداول و ارزیابی‌های دوره‌ای، اطلاعات دقیق‌تری درباره وضعیت بیمار فراهم کنند. در برخی از آن‌ها، داده‌های EEG، الکترومیوگرافی (EMG)، حسگرهای پوشیدنی، سامانه‌های ردیابی حرکت و ابزارهای پایش خانگی با یکدیگر ترکیب می‌شوند تا الگوهای حرکتی، کیفیت تمرین‌ها و تغییرات عملکردی اندازه‌گیری شوند. الگوریتم‌های یادگیری ماشین نیز می‌توانند حرکات غیرطبیعی را شناسایی کنند یا امتیازهای بالینی عملکرد حرکتی را برآورد کنند.
فناوری‌های پوشیدنی و پایش از راه دور امکان ارزیابی بیمار در محیط خانه را نیز فراهم می‌کنند و اطلاعات طولی درباره پایبندی به برنامه توان‌بخشی و روند پیشرفت او در اختیار می‌گذارند. با این حال، بسیاری از مطالعات همچنان عمدتاً بر امکان‌پذیری فنی، دقت طبقه‌بندی یا شاخص‌های جانشین کوتاه‌مدت تمرکز دارند. این پژوهش‌ها معمولاً با نمونه‌های کوچک و مجموعه‌داده‌های تک‌مرکزی انجام می‌شوند و اعتبارسنجی خارجی مستقل در آن‌ها محدود است. تفاوت میان دستگاه‌ها، قالب‌های داده و زمان‌بندی ارزیابی‌ها نیز تعمیم‌پذیری نتایج را کاهش می‌دهد.
ازاین‌رو، پژوهش‌های آینده باید بر تدوین معیارهای استانداردتر برای سنجش پیامدها و ایجاد فرایندهای یکپارچه برای گردآوری و پردازش داده‌ها تمرکز کنند. همچنین، انجام مطالعات آینده‌نگر، بلندمدت و چندمرکزی ضروری است تا مشخص شود آیا پایش مبتنی بر هوش مصنوعی می‌تواند تصمیم‌گیری‌های توان‌بخشی و پیامدهای بیماران را به‌طور معناداری بهبود دهد یا خیر.
فراتر از پیش‌بینی و پایش، استفاده از هوش مصنوعی برای تنظیم برنامه توان‌بخشی و هماهنگ‌سازی فناوری‌های کمکی پس از سکته مغزی نیز به‌طور فزاینده‌ای در حال بررسی است. رویکردهای کنونی می‌کوشند شدت تمرین، دشواری وظایف و دفعات ارائه بازخورد را بر اساس عملکرد حرکتی، وضعیت شناختی و اطلاعات به‌دست‌آمده از حسگرها تنظیم کنند. در همین حال، ادغام هوش مصنوعی با ربات‌های توان‌بخشی، واقعیت مجازی، رابط‌های مغز و رایانه، دستگاه‌های پوشیدنی و پلتفرم‌های توان‌بخشی از راه دور نیز در حال توسعه است.
سامانه‌های رباتیک می‌توانند حرکت‌های کمکی را با روشی استاندارد ارائه دهند. واقعیت مجازی بر تمرین تعاملی وظایف و بازخورد تقویت‌شده تأکید دارد و رابط‌های مغز و رایانه می‌توانند از سیگنال‌های عصبی برای کنترل بازخورد یا کمک خارجی استفاده کنند؛ قابلیتی که در صورت محدودیت شدید حرکت ارادی اهمیت ویژه‌ای دارد.
با وجود این ظرفیت‌ها، فناوری‌های یادشده در حال حاضر عمدتاً نقش ابزارهای مکمل توان‌بخشی را ایفا می‌کنند. بخش زیادی از شواهد موجود از مطالعاتی با نمونه‌های کوچک، دوره پیگیری کوتاه یا طراحی اکتشافی و تک‌گروهی به دست آمده است. در نتیجه، شواهد قانع‌کننده درباره برتری این روش‌ها نسبت به توان‌بخشی متعارف همچنان محدود است.
یکی از مسیرهای مهم آینده، توسعه سامانه‌های حلقه‌بسته بیمارمحور است؛ سامانه‌هایی که در آن‌ها سیگنال‌های EEG، EMG و حسگرهای پوشیدنی به‌طور پویا برای تنظیم میزان کمک ربات‌ها، تمرین‌های مبتنی بر واقعیت توسعه‌یافته و بازخورد از راه دور به کار گرفته می‌شوند. تحقق این هدف مستلزم نظارت بالینی مستمر، سازگاری میان سامانه‌ها، مقرون‌به‌صرفه بودن و هماهنگی با روندهای معمول ارائه خدمات توان‌بخشی است.
با وجود ظرفیت روزافزون هوش مصنوعی در پیش‌بینی، ارزیابی و پشتیبانی از مداخلات توان‌بخشی سکته مغزی، انتقال این فناوری‌ها به محیط بالینی همچنان با چالش‌هایی در زمینه داده‌ها، مدل‌سازی و اجرا روبه‌رو است. مجموعه‌داده‌های توان‌بخشی اغلب کوچک، ناهمگون و از نظر زمان‌بندی نمونه‌برداری نامنظم هستند. همچنین، استانداردسازی داده‌های بالینی و حسگری چندوجهی همچنان دشوار است؛ مسئله‌ای که خطر بیش‌برازش مدل‌ها را افزایش می‌دهد و تعمیم‌پذیری آن‌ها را در مراکز مختلف محدود می‌کند.
افزون بر این، ماهیت جعبه‌سیاه برخی مدل‌های پیچیده می‌تواند تفسیرپذیری بالینی و اعتماد متخصصان را کاهش دهد. حتی افزایش دقت پیش‌بینی نیز لزوماً به تصمیم‌های درمانی بهتر یا پیامدهای مطلوب‌تر برای بیماران منجر نمی‌شود.
پایش با ابزارهای پوشیدنی، توان‌بخشی خانگی و پلتفرم‌های مراقبت از راه دور، نگرانی‌هایی درباره حریم خصوصی، امنیت، اشتراک‌گذاری داده‌ها و قابلیت اطمینان دستگاه‌ها ایجاد می‌کنند. پژوهش‌های آینده باید بر اعتبارسنجی خارجی در چند مرکز و انجام کارآزمایی‌های بالینی آینده‌نگر تأکید داشته باشند. هم‌زمان، لازم است سامانه‌های توان‌بخشی واقعاً حلقه‌بسته‌ای توسعه یابند که اطلاعات بالینی، تصویربرداری، EEG، EMG و داده‌های حسگرهای پوشیدنی را با هم ترکیب کنند تا بتوانند میزان کمک ربات‌ها، تمرین‌های مبتنی بر واقعیت توسعه‌یافته و بازخورد از راه دور را به‌صورت پویا تنظیم کنند.
ویهوآ سونگ گفت: «توجه بیشتر به تبیین‌پذیری، قابلیت همکاری میان سامانه‌ها، مقرون‌به‌صرفه بودن و عدالت نیز ضروری است. هوش مصنوعی باید به‌عنوان ابزاری مکمل در مراقبت چندرشته‌ای به کار گرفته شود، نه جایگزینی برای متخصصان بالینی.»
ویهوآ سونگ، شوآی سی، یینگ‌هویی وانگ، هونگ چانگ و شیائویینگ تانگ نویسندگان این مقاله هستند.
منبع: مؤسسه فناوری پکن
مشخصات مقاله: سونگ، و. و همکاران (۲۰۲۶). «کاربرد هوش مصنوعی در پیش‌بینی و مدیریت توان‌بخشی سکته مغزی». Cyborg and Bionic Systems. شناسه DOI: 10.34133/cbsystems.0702. مشاهده مقاله در وب‌سایت مجله.