آیا تنها فشار کف پا میتواند سکته مغزی را قبل از بروز علائم، افشا کند؟
بیماری سکته مغزی، کابوس میلیونها نفر در سراسر جهان، همواره با چالش تشخیص بهموقع و پرهزینه همراه بوده است.
سکته مغزی همچنان یکی از اصلیترین علل ناتوانی و مرگومیر عصبی در سطح جهانی باقی مانده است و سالانه میلیونها نفر را درگیر میکند. ریشه این فاجعه، وقفهای است که در خونرسانی به بافتهای حساس مغز رخ میدهد. این اختلال به دو شکل ایسکمیک (مسدود شدن رگ که بالغ بر ۸۰ درصد موارد را شامل میشود) و هموراژیک (خونریزی داخلی) بروز میکند؛ هر کدام به تنهایی پتانسیل وارد آوردن خسارات جبرانناپذیری به مغز را دارند. پیامدهای این عارضه، نه تنها در فاز حاد، بلکه در بلندمدت نیز دامنگیر بیماران است؛ از معضلات حرکتی و ضعف نیمه بدن گرفته تا اختلال در تکلم و توانایی راه رفتن، که به شدت کیفیت زندگی افراد را تنزل داده و انجام امور روزمره را به نبردی دشوار تبدیل میکند.
اهمیت تشخیص سریع و دقیق در سکته مغزی غیرقابل انکار است، زیرا این زمانبندی، مسیر درمان و برنامهریزی توانبخشی را تعیین میکند. روشهای استاندارد کنونی، نظیر اسکنهای پیشرفته مغزی مانند MRI، سیتیاسکن یا آنژیوگرافی، اگرچه اطلاعاتی جامع از گستره و محل ضایعه ارائه میدهند، اما اغلب با هزینههای بالا و ماهیت تهاجمی همراه هستند. در پاسخ به این محدودیتها، تمرکز پژوهشگران به سمت استفاده از سیگنالهای فیزیولوژیک و دادههای حرکتی تغییر کرده است؛ دادههایی که قابلیت ثبت با کمترین هزینه و به شکلی کاملاً ایمن را دارا هستند. شواهد پیشین نشان دادهاند که نحوه راه رفتن بیماران مبتلا به سکته مغزی دچار دگرگونی میشود. نشانههایی نظیر عدم تعادل در گامها یا افت عملکرد در مچ پا و بخش پایینی اندام تحتانی، در تحلیل توزیع فشار وارده بر کف پا قابل مشاهده است. این یافته، تحلیل سیگنال فشار کف پا را به یک رویکرد بسیار امیدوارکننده برای تشخیص غیرتهاجمی این بیماری تبدیل کرده است.
در راستای این رویکرد، تیمی از محققان شامل زهرا اتراچالی از دانشکده مهندسی پزشکی دانشگاه صنعتی سهند تبریز و یکی از همکاران دانشگاهی ایشان، تحقیقی متمرکز بر تشخیص خودکار و غیرتهاجمی سکته مغزی ایسکمیک به سرانجام رساندهاند. این پژوهش برخلاف روشهای معمول که به تصویربرداریهای پرپیچوخم متکی هستند، بر تحلیل زمانی و فرکانسی سیگنال فشار کف پا در حین راه رفتن تمرکز دارد تا بتواند با بهرهگیری از مدلهای محاسباتی، اثر انگشت بیماران را از افراد سالم تمایز دهد.
دادههای مورد نیاز در این مطالعه شامل اندازهگیری فشار کف پای ۴۶ فرد تندرست و ۳۶ بیمار تشخیص داده شده با سکته مغزی ایسکمیک در حین حرکت بود که پس از جمعآوری، تحلیل شدند. در نهایت، سه مدل طبقهبندی شامل «ماشین بردار پشتیبان» (SVM)، «نزدیکترین همسایگی» (k-NN) و «جنگل تصادفی» (Random Forest) برای جداسازی دقیق بیماران از گروه کنترل به کار گرفته شدند.
نتایج چشمگیر این بررسیها حاکی از آن بود که با تکیه بر تنها ۳۵ ویژگی آماری ساده، این متدولوژی موفق به دستیابی به دقت قابل توجهی در شناسایی سکته مغزی ایسکمیک شده است. در میان الگوریتمهای مورد آزمایش، «جنگل تصادفی» بهترین کارایی را به نمایش گذاشت. دستیابی به این سطح از دقت بالا، در حالی که از شاخصهای پیچیده و پرهزینه اجتناب شده و تمرکز بر متغیرهای ساده فشار کف پا بوده، یک دستاورد مهم محسوب میشود.
پژوهشگران در جمعبندی یافتههای خود اعلام کردند که ترکیب دادههای زمانی و فرکانسی سیگنال فشار کف پا میتواند به عنوان یک ابزار تشخیصی خودکار، قابل اتکا باشد. آنها تأکید کردند که این مدل، علاوه بر دقت برتر، از نظر بار محاسباتی نیز سبک بوده و این ویژگی آن را برای کاربردهای عملی در محیطهای بالینی بسیار مناسب میسازد؛ جایی که سرعت و صرفه اقتصادی اجرای فرایند تشخیصی نقشی حیاتی ایفا میکنند.
این دستاوردها سیگنال میدهد که تحلیل الگوهای راه رفتن فراتر از یک ارزیابی صرف حرکتی است و میتواند به عنوان یک شاخص مهم برای وضعیت سیستم عصبی مرکزی مورد بهرهبرداری قرار گیرد.
بنابراین، در صورتی که این متدولوژیها به توسعه بیشتری برسند، افقهای جدیدی برای غربالگریهای اولیه و همچنین پایش مستمر وضعیت بهبود بیماران در دوران بازتوانی گشوده خواهد شد. همچنین، ماهیت غیرتهاجمی این روش به بیماران اجازه میدهد بدون دغدغه عوارض جانبی، ارزیابیهای مکرر را پشت سر بگذارند.
لازم به ذکر است که جزئیات فنی و محتوای کامل این پژوهش در «فصلنامه مهندسی برق»، نشریه تخصصی دانشگاه تبریز که متعهد به انتشار تحقیقات حوزه مهندسی و کاربردهای میانرشتهای است، منتشر شده است.
