پایش غیرتهاجمی دمای مغز با هوش مصنوعی؛ تحولی در درمان سکته مغزی

خلاصه سریع مقاله
- پژوهشگران یک سیستم هوش مصنوعی جدید برای پایش لحظهای و غیرتهاجمی دمای مغز توسعه دادهاند.
- این سیستم با دریافت اطلاعاتی مثل جریان خون، اکسیژن بافت و فشار داخل جمجمه، نقشههای حرارتی سهبعدی از مغز با دقت بسیار بالا (وضوح ۰.۴ میلیمتر) تولید میکند.
- مدل هوش مصنوعی (یک شبکه عصبی پیچشی) توانست دمای مغز را با خطای ناچیز ۰.۳۱ درجه سانتیگراد پیشبینی کند.
- این فناوری روی بیماران سکته مغزی ایسکمیک حاد که تحت درمان با کاهش دما (هیپوترمی) بودند، با موفقیت و دقت بالا آزمایش شد.
- این دستاورد میتواند نیاز به استفاده از حسگرهای تهاجمی (سوراخ کردن جمجمه) برای اندازهگیری دمای مغز را در بخش مراقبتهای ویژه برطرف کند.
تعریف اصطلاحات کلیدی عنوان
۱. دمای مغز (Brain Temperature)
دمای بافت مغز یک شاخص حیاتی از میزان متابولیسم (سوختوساز) و سلامت عصبی است. تغییرات غیرطبیعی دمای مغز میتواند نشاندهنده التهاب، آسیب یا پیشرفت بیماریهای عصبی باشد.
۲. سکته مغزی ایسکمیک حاد (Acute Ischemic Stroke)
رایجترین نوع سکته مغزی است که در اثر انسداد یکی از رگهای خونرسان به مغز (توسط لخته خون) ایجاد میشود و باعث کاهش شدید اکسیژن و آسیب به بافت مغز میگردد.
۳. هیپوترمی درمانی (Therapeutic Hypothermia)
یک روش درمانی پزشکی است که در آن دمای بدن یا مغز بیمار را بهطور عمدی کاهش میدهند تا سرعت متابولیسم بافتها کم شده و از آسیب بیشتر سلولهای مغزی پس از سکته یا ایست قلبی جلوگیری شود.
۴. ترموگرافی محاسباتی (Computational Thermography)
استفاده از مدلسازیهای ریاضی و کامپیوتری (و در اینجا هوش مصنوعی) برای تخمین و شبیهسازی توزیع حرارت در داخل بدن، بدون نیاز به قرار دادن مستقیم دماسنج در آن ناحیه.
4. پایش غیرتهاجمی همودینامیک به چه معناست؟
پایش غیرتهاجمی همودینامیک یعنی ارزیابی وضعیت گردش خون و فشارهای مهم بدن بدون ورود کاتتر یا ابزار تهاجمی به داخل عروق. این رویکرد میتواند خطرات و عوارض پایش را کاهش دهد.
پایش دقیق دمای مغز: چالشی که هوش مصنوعی آن را حل کرد
دمای مغز یکی از مهمترین شاخصهای فیزیولوژیک برای بررسی وضعیت بیماران بدحال عصبی است. این دما ارتباط مستقیمی با عملکرد مغز و پیشرفت بیماریهایی مانند سکته مغزی دارد. اما پزشکان برای دههها با یک چالش بزرگ روبهرو بودهاند: چگونه میتوان دمای دقیق داخل مغز را بهصورت لحظهای اندازهگیری کرد، بدون اینکه نیاز به سوراخ کردن جمجمه و وارد کردن حسگرهای فیزیکی باشد؟
تا پیش از این، فناوریهای موجود برای پایش غیرتهاجمی دمای مغز با محدودیتهای فراوانی روبهرو بودند. اما مطالعهای جدید که در ژورنال MedComm منتشر شده، نشان میدهد که ترکیب مدلسازی انتقال حرارت زیستی و یادگیری عمیق (Deep Learning) توانسته این مانع بزرگ را از سر راه علم نورولوژی بردارد.
خلق نقشههای حرارتی سهبعدی از مغز
تیم پژوهشگران در این مطالعه یک سیستم چندوجهی نوین طراحی کردند که میتواند به کمک هوش مصنوعی، نقشههای ترموگرافی (حرارتی) سهبعدی از بافت مغز با وضوح خیرهکننده ۰.۴ میلیمتر تولید کند.
اما هوش مصنوعی چگونه دمای یک بافت پنهان را حدس میزند؟ محققان یک شبکه عصبی پیچشی یکبعدی (1D CNN) را با استفاده از دادههای بالینی آموزش دادند. این مدل هوشمند با دریافت سه شاخص حیاتی بیمار شامل:
- جریان خون مغزی
- میزان اشباع اکسیژن بافت
- فشار داخل جمجمه (ICP)
میتواند دمای دقیق مغز را محاسبه کند. نتایج نشان داد که این الگوریتم میتواند با خطای بسیار ناچیزِ ۰.۳۱ درجه سانتیگراد (میانگین خطای مطلق)، دمای مغز را پیشبینی کند. این دادهها سپس با تصاویر MRI اعتبارسنجی شدند تا از دقت بالای آنها در فضای سهبعدی اطمینان حاصل شود.
آزمون موفقیت در بیماران سکته مغزی
برای اثبات کارایی این سیستم در دنیای واقعی، محققان آن را روی بیماران مبتلا به سکته مغزی ایسکمیک حاد آزمایش کردند؛ بهویژه بیمارانی که تحت هیپوترمی درمانی قرار داشتند.
در هیپوترمی درمانی، پزشکان برای محافظت از بافت مغز پس از سکته، دمای آن را کاهش میدهند. در این شرایط حساس، آگاهی از تغییرات دقیق دمای قسمتهای مختلف مغز اهمیتی حیاتی دارد. سیستم هوش مصنوعی توانست نوسانات دمای موضعی مغز این بیماران را با انحراف کمتر از ۰.۴۵ درجه سانتیگراد پیشبینی کند. این یعنی پزشکان میتوانند با اطمینان بالا، روند سرد کردن مغز را از روی مانیتور و بدون نیاز به پروبهای تهاجمی زیر نظر بگیرند.
چشمانداز آینده در بخش مراقبتهای ویژه
این دستاورد، پلی محکم میان مدلسازیهای پیچیده کامپیوتری و نیازهای بالینی در بخش مراقبتهای ویژه (ICU) است. با استفاده از این فناوری، متخصصان مغز و اعصاب میتوانند تغییرات متابولیک مغز را لحظهبهلحظه رصد کنند.
چنین سیستمی نهتنها خطرات عفونت و خونریزی ناشی از روشهای تهاجمی را به صفر میرساند، بلکه مسیر را برای مداخلات درمانی شخصیسازیشدهتر و دقیقتر در آسیبهای تروماتیک مغز، سکتهها و تومورها هموار میکند. هوش مصنوعی بار دیگر ثابت کرد که میتواند فراتر از تحلیل دادهها، بهعنوان چشمی بینا برای دیدن نادیدنیهای بدن انسان عمل کند.
درباره سانوس
سانوس (Sanus) در خط مقدم پیوند فناوری هوش مصنوعی و سلامت دیجیتال قرار دارد. یکی از پیچیدهترین اندامها برای پایش بالینی، مغز انسان است. همانطور که این مطالعه نشان داد، هوش مصنوعی میتواند با تحلیل همزمان دادههایی مانند اکسیژن و جریان خون، پارامترهای پنهانی مثل «دمای مغز» را بهدقت پیشبینی کند و خطرات روشهای تهاجمی را در بیماران سکته مغزی کاهش دهد. سانوس با درک پتانسیل عظیم یادگیری ماشین (Machine Learning) در حوزه نورولوژی، تلاش میکند تا راهکارهای پیشبینیکننده و غیرتهاجمی مشابهی را توسعه داده و در اختیار کادر درمان قرار دهد. هدف ما در سانوس، تبدیل الگوریتمهای پیچیده به ابزارهای بالینی ساده، ایمن و نجاتبخش برای مراقبت از بیماران حساس است.
سوالات متداول
۱. چرا دانستن دمای مغز در پزشکی مهم است؟
دمای مغز ارتباط مستقیمی با میزان متابولیسم (سوختوساز) و عملکرد سلولهای عصبی دارد. در بیماریهایی مانند سکته یا ضربه مغزی، تغییرات دما میتواند نشاندهنده آسیب یا التهاب باشد.
۲. آیا تا پیش از این امکان اندازهگیری دمای مغز وجود نداشت؟
امکانپذیر بود، اما معمولاً نیازمند روشهای تهاجمی مانند سوراخ کردن جمجمه و وارد کردن حسگر به داخل مغز بود که با خطراتی نظیر عفونت و آسیب به بافت همراه است.
۳. هوش مصنوعی چگونه دمای مغز را بدون حسگر حدس میزند؟
الگوریتمهای هوش مصنوعی با بررسی اطلاعات دیگر بیمار (مانند میزان جریان خون مغز، سطح اکسیژن و فشار داخل جمجمه) و ترکیب آن با قوانین انتقال حرارت، دمای بافتها را با دقت صدم درجه محاسبه میکنند.
۴. هیپوترمی درمانی در سکته مغزی چیست؟
روشی است که در آن پزشکان دمای بدن یا مغز را پایین میآورند تا نیاز سلولهای مغزی به اکسیژن کاهش یابد و از مرگ سلولها پس از سکته جلوگیری شود. این سیستم جدید کمک میکند این فرآیند با دقت بالا پایش شود.
منبع مقاله
Yang T, Zhang Q, Huang Y, et al. Deep Learning-Driven Computational Imaging for Noninvasive Monitoring System of Brain Temperature and Metabolism: A Hypothermia Validation for Acute Ischemic Stroke. MedComm. 2026. doi:10.1002/mco2.70841
برای مشاهده مقاله رو دکمه زیر کلیک کنید