في عصر التكنولوجيا المتقدمة، أصبحت الساعات الذكية مجهزة بجميع الإمكانيات لجمع بيانات الحركة، التي تمثل ثروة لا تقدر بثمن في مجال أبحاث الصحة النفسية. لقد ظهرت تحديات في تحليل هذه البيانات، خاصة عندما يتعلق الأمر بنماذج التحليل المتقدمة. لذا، تم تصميم نموذج جديد يدعى 'Pretrained Actigraphy Transformer' (PAT) والذي يعد رائدًا في هذه المجال.

يستخدم نموذج PAT تقنيات (Transformers) المتطورة مع تحديثات مبتكرة تسمى (Patch Embeddings) بالاعتماد على بيانات الحركة التي تم تحليلها على مدار أسبوع كامل. يتضمن هذا النموذج التعلم الذاتي من خلال استخدام نموذج (Masked Autoencoder) على تسلسلات دقيقة لقياسات النشاط البدني. وقد تم تدريبه على بيانات من 21,538 مشاركًا أمريكيًا من خلال دراسة صحية وطنية، ما يجعله نموذجًا موثوقًا وممثلًا للواقع.

لقد أظهر PAT أداءً فائقًا في مهام التنبؤ بالنتائج النفسية، متفوقًا بذلك على النماذج التقليدية مثل (LSTM) و(1-D CNN). تحسن الأداء بما يزيد عن 55.6% في التنبؤ باستخدام أدوية البنزوديازيبين، مما يشير إلى قدرة هذا النموذج على تعزيز فهمنا للصحة النفسية من خلال بيانات الحركة.

يتميز PAT أيضًا بخريطة اهتمام قابلة للتفسير، مما يساعد في تسليط الضوء على الفترات الزمنية الأكثر أهمية للتنبؤات السريرية، مما يوفر الشفافية والنظريات المحتملة للاستخدام السريري. بفضل سهولة نشره وقابليته للتكيف، يقدم النموذج حلاً مبتكرًا لدفع البحث في البيانات الحسية القابلة للارتداء إلى آفاق جديدة.

إذا كنت باحثًا أو clinician تبحث عن أدوات جديدة لدعم أبحاث الصحة النفسية، فإن النموذج PAT هو الخيار الأمثل لك. هل أنتم مستعدون لاستكشاف المزيد حول هذا الابتكار المثير؟ شاركونا آراءكم في التعليقات!