تتطور أساليب تقييم مرض باركنسون الذي يؤثر على المشية بشكل متزايد، حيث تعتمد هذه الأساليب على استخدام مجموعة متنوعة من أجهزة الاستشعار. لكن تواجه الأنظمة السريرية تحديًا؛ إذ نادرًا ما يتم جمع جميع أنواع البيانات بشكل متزامن. يمكن أن تظهر أجهزة استشعار جديدة نتيجة تحسينات في الأجهزة، تغييرات في البروتوكولات، أو الانتشار عبر عدة مراكز، لكن البيانات التاريخية للمريض غالبًا ما تكون غير متاحة بسبب قيود الخصوصية والتخزين.

وهنا تأتي تقنية MOSAIC كمبتكر ضروري، حيث تقدم إطارًا لتعلم مستمر متزايد يتعامل مع ثلاث تحديات رئيسية. أولاً، نواجه ظاهرة "المعلم السام"، ونعتمد على تقنية التسخين الخاص بالنمط لتثبيت تمثيلات الأنماط الجديدة قبل عملية التقطيع. ثانيًا، نقترح هيكل MSBN غير المعتمد على الإحصائيات الذي يعزل إحصائيات الاستشعار، بينما يحتفظ بهيكل دلالي مشترك. ثالثًا، نقوم بتصميم هدف تنافسي موجه بواسطة المنهجية لاستعادة المرونة، مما يحافظ على المعرفة السابقة بينما يستعيد قدرة النمط المحددة.

أثبتت التجارب التي أجريت على ثلاث مجموعات بيانات متعددة الأنماط في تقييم مشية مرض باركنسون أن MOSAIC قد حسنت الأداء النهائي بشكل ملحوظ وقللت من النسيان. يمكن للباحثين والمطورين الاطلاع على كود المشروع المتاح على GitHub، مما يسهم في المستقبل في تحسين الحوارات بشأن تحسين الصحة من خلال الذكاء الاصطناعي.